Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Kelulusan Mahasiswa Pendidikan Tekniknik Informatika Dan Komputer UIN SMDD Bukittinggi
DOI:
https://doi.org/10.33633/joins.v11i1.14649Kata Kunci:
Naïve Bayes, klasifikasi, mahasiswa, data miningAbstrak
Ketepatan waktu kelulusan merupakan salah satu indikator penentu kualitas perguruan tinggi, dan pemanfaatan data mahasiswa memberikan informasi berharga untuk mendukung pengambilan keputusan. Data kuantitatif dari bagian TIPD universitas, termasuk jenis kelamin, asal sekolah, Indeks Prestasi Semester (IPS), dan Indeks Prestasi Kumulatif (IPK), digunakan sebagai atribut prediksi. Melalui tahapan pengumpulan data, penentuan atribut, data mining (pembersihan, seleksi, transformasi), dan penerapan algoritma Naive Bayes, model prediksi dibangun dan diuji. Hasil penelitian menunjukkan akurasi sebesar 87,5%, presisi 57,2%, dan recall 80%. Diartikan algoritma Naive Bayes efektif dalam proses mengklasifikasikan kelulusan mahasiswa, dengan atribut sumber dana teridentifikasi sebagai salah satu faktor yang berpengaruh. Penelitian ini merekomendasikan penggunaan feature filtering seperti information gain pada penelitian selanjutnya untuk meningkatkan akurasi prediksi.Referensi
BAN-PT, “Peraturan Badan Akreditasi Nasional Perguruan Tinggi (BAN-PT) No. 1 tahun 2020,” Banpt.or.Id. P. 1, 2020.
M. Pendidikan, D. A. N. Kebudayaan, and R. Indonesia, “Peraturan Menteri Pendidikan Dan Kebudayaan Nomor 03 Tahun 2020 Tentang Standar Nasional Perguruan Tinggi,” no. 47, 2020.
M. Hasan, Milawati, Darodjat, H. Khairani, and T. Tahrim, Media Pembelajaran. 2021.
R. Sepriansyah, S. D. Purnamasari, K. R. N. Wardani, and N. Halim, “Prediksi Kelulusan Mahasiswa Fakultas Teknik Universitas Bina Darma Menggunakan Algoritma Naïve Bayes,” JIPI (Jurnal Ilm. Penelit. Dan Pembelajaran Inform., vol. 8, no. 1, pp. 313–322, 2023, doi: 10.29100/jipi.v8i1.3459.
A. Yandi Saputra and Y. Primadasa, “Penerapan Teknik Klasifikasi Untuk Prediksi Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest Neighbour Implementation of Classification Method to Predict Student Graduation Using K-Nearest Neighbor Algorithm,” Techno.Com, vol. 17, no. 4, p. 9, 2018.
B. K. Paju, D. Y. A. Fallo, and S. E. Mowata, “Analisis Algoritma Klasifikasi dalam Pembelajaran Sistem Informasi Geografis di Pendidikan Informatika,” J. Kridatama Sains dan Teknol., vol. 7, no. 01, pp. 480–488, 2025, doi: 10.53863/kst.v7i01.1676.
T. Destiana, Y. Umaidah, and U. Enri, “Penerapan Algoritma Gaussian Naive Bayes Dalam Penentuan Prioritas Rehabilitasi Daerah Aliran Sungai Berdasarkan Parameter Lahan Kritis,” INFOTECH J., vol. 9, no. 2, pp. 507–513, 2023, doi: 10.31949/infotech.v9i2.6501.
V. Wulandari, W. J. Sari, and Z. Alfian, “Implementation of Naïve Bayes Classifier and K-Nearest Neighbor Algorithms for Chronic Kidney Disease Classification Implementasi Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor untuk Klasifikasi Penyakit Ginjal Kronik,” vol. 4, no. April, pp. 710–718, 2024.
D. L. Safitry, A. Al Harani, E. Divayaning, F. H. Hanifa, D. F. Chema, and I. Paryudi, “Perbandingan Metode Decision Tree , Naive Bayes , dan Induction Rule untuk Klasifikasi Penyakit Diabetes,” J. Informatics Adv. Comput., vol. 4, no. 1, pp. 22–30, 2023, [Online]. Available: https://journal.univpancasila.ac.id/index.php/jiac/article/view/5488
Syarli and A. A. Muin, “Metode Naive Bayes Untuk Prediksi Kelulusan,” J. Ilm. Ilmu Komput., vol. 2, no. 1, pp. 22–26, 2020, [Online]. Available: https://media.neliti.com/media/publications/283828-metode-naive-bayes-untuk-prediksi-kelulu-139fcfea.pdf
Y. E. Yuspita, R. Okra, and M. Rezeki, “Penerapan Algoritma Klasifikasi Untuk Prediksi Tingkat Kelulusan Mahasiswa Menggunakan Rappidminer,” Djtechno J. Teknol. Inf., vol. 6, no. 1, pp. 376–388, 2025, doi: 10.46576/djtechno.v6i1.6169.
A. Nata and S. Suparmadi, “Analisis Sistem Pendukung Keputusan Dengan Model Klasifikasi Berbasis Machine Learning Dalam Penentuan Penerima Program Indonesia Pintar,” J. Sci. Soc. Res., vol. 5, no. 3, p. 697, 2022, doi: 10.54314/jssr.v5i3.1041.
F. Marudut, T. Pane, and D. Hindarto, “Comparative Analysis of Machine Learning Models for Stunting Prediction in Jakarta,” vol. 9, no. December, pp. 1365–1375, 2025.
S. Suriana, E. D. Bintari, and D. Kurniawan, “Desain Aplikasi Klasifikasi Kelulusan Mahasiswa Menggunakan Metode Naive Bayes dan Algoritma C4.5,” J. Big Data Anal. Artif. Intell., vol. 3, no. 1, pp. 31–41, 2017, [Online]. Available: https://www.neliti.com/publications/308842/
Z. Amri, Kusrini, and Kusnawi, “Edumatic : Jurnal Pendidikan Informatika Prediksi Tingkat Kelulusan Mahasiswa menggunakan Algoritma Naïve Bayes, Decision Tree, ANN, KNN, dan SVM,” vol. 7, no. 2, pp. 187–196, 2023, doi: 10.29408/edumatic.v7i2.18620.
T. M. Rahayu, B. A. Ningsi, I. Isnurani, and I. Arofah, “Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa dengan Metode Naïve Bayes,” Media Bina Ilm., vol. 15, no. 8, pp. 4993–5000, 2021.
D. H. Z. Abdussamad, Metode Penelitian Kuantitatif. Dr. Patta Rapanna,.
A. David Imanuel, N. Nawaningtyas Pusparini, and A. Sani, “Klasifikasi Untuk Memprediksi Tingkat Kelulusan Mahasiswa Stmik Widuri Menggunakan Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 12, no. 01, pp. 1–7, 2024, doi: 10.33884/jif.v12i01.8201.
N. Purwati and A. Dwi Januanti, “Aplikasi Data Mining Dengan Algoritma Naive Bayes Untuk Memprediksi Tingkat Kelulusan Mahasiswa,” J. Pepadun, vol. 2, no. 1, pp. 123–137, 2021, doi: 10.23960/pepadun.v2i1.38.
A. Indriani, “Analisa Perbandingan Metode Naïve Bayes Classifier Dan K-Nearest Neighbor Terhadap Klasifikasi Data,” Sebatik, vol. 24, no. 1, pp. 1–7, 2020, doi: 10.46984/sebatik.v24i1.909.
M. Tafsir, “Penerapan Algoritma Naïve Bayes untuk Prediksi Waktu Kelulusan Mahasiswa,” Nucl. Phys., no. 1. Universitas Putra Indonesia “YPTK” PADANG, Padang, 2023.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 JOINS (Journal of Information System)

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

This work is licensed under a Creative Commons Attribution 4.0 International License.


















