Menentukan Program Studi Bagi Calon Mahasiswa Baru Menggunakan Metode Naïve Bayes Dan Metode Decision Tree
DOI:
https://doi.org/10.32493/informatika.v7i3.12563Keywords:
Interest, Classification, Study program, Naive Bayes, Decision TreeAbstract
Perguruan tinggi merupakan salah satu tempat untuk mengembangkan kompetensi dan menambah keilmuan. Salah satu program kerja yang dilakukan oleh perguruan tinggi adalah melakukan proses penerimaan mahasiswa baru. Proses ini merupakan salah satu yang harus dilakukan oleh sebuah perguruan tinggi, karena hal tersebut dapat mengetahui minat calon mahasiswa baru dalam menentukan program studi. Menetukan program studi yang diminati oleh calon mahasiswa baru adalah gambaran dari kompetensi yang dimiliki oleh calon mahasiswa baru. Dalam penelitian ini mempunyai tujuan membuat klasifikasi dalam menentukan program studi bagi calon mahasiswa baru menggunakan metode Naïve Bayes dan Decision Tree. Penelitian yang sama pernah dilakukan dengan Medote Naïve Bayes dalam menentukan minat calon mahasiswa baru dalam memilih program studi. Dan hasil yang diperoleh untuk nilai akurasinya 96.68%. Ada beberapa prosedur yang dilakukan dalam penelitian ini yaitu data cleaning, data collection, menentukan kriteria yang akan digunakan untuk melakukan training dan testing, dan Menentukan probabilitas dan pengujian. Pada penelitian ini record data yang digunakan sebanyak 2256. Setelah dilakukan data cleanin dan data collection memperoleh record data sejumlah 1671. Dari jumlah record data tersebut kemudian dibagi menjadi dua bagian, yang pertama untuk data training dengan prosentase 70% memperoleh jumlah 1158 dan untuk data testing dengan prosentase 30% memproleh jumlah 513. Hasil yang diperoleh setelah dilakukan pengujian mendapatkan nilai akurasi dengan menggunakan metode Naïve Bayes 96.68% sedangkan menggunakan metode Decision Tree memperoleh nilai akurasi 51.56%. Hal tersebut membuktikan bahwa metode Naïve Bayes dalam melakukan klasifikasi untuk menentukan minat calon mahasiswa dalam memilih program studi sangat baik dibandingkan metode Decision Tree. Hasil pemilihan program studi yang banyak diminati calon mahasiswa baru dalam klasifikasi ini adalah program studi DIII Farmasi.References
M. S. Sungkar, “ANALISIS MINAT MAHASISWA MEMASUKI PROGRAM STUDI TEKNIK DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DI POLITEKNIK HARAPAN BERSAMA,†J. Chem. Inf. Model., vol. 21, no. 1, pp. 1–9, 2020, [Online]. Available: https://doi.org/10.1016/j.tmaid.2020.101607%0Ahttps://doi.org/10.1016/j.ijsu.2020.02.034%0Ahttps://onlinelibrary.wiley.com/doi/abs/10.1111/cjag.12228%0Ahttps://doi.org/10.1016/j.ssci.2020.104773%0Ahttps://doi.org/10.1016/j.jinf.2020.04.011%0Ahttps://doi.o.
C. Gonzalez-Arias, C. C. Viafara, J. J. Coronado, and F. Martinez, “Automatic classification of severe and mild wear in worn surface images using histograms of oriented gradients as descriptor,†Wear, vol. 426–427, no. November 2018, pp. 1702–1711, 2019, doi: 10.1016/j.wear.2018.11.028.
H. C. Kim, J. H. Park, D. W. Kim, and J. Lee, “Multilabel naïve Bayes classification considering label dependence,†Pattern Recognit. Lett., vol. 136, pp. 279–285, 2020, doi: 10.1016/j.patrec.2020.06.021.
M. Andrejiova and A. Grincova, “Classification of impact damage on a rubber-textile conveyor belt using Naïve-Bayes methodology,†Wear, vol. 414–415, pp. 59–67, 2018, doi: 10.1016/j.wear.2018.08.001.
I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,†J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 217, 2018, doi: 10.33480/pilar.v14i2.926.
T. Prawira and D. Kusuma, “Sistem Pendukung Keputusan Berbasis Web untuk Menentukan Penjurusan ( IPA / IPS / Bahasa ) pada SMA Islam Bumiayu,†Juita, vol. I, pp. 177–189, 2011.
S. U. Khan, M. Niazi, and R. Ahmad, “Factors influencing clients in the selection of offshore software outsourcing vendors: An exploratory study using a systematic literature review,†J. Syst. Softw., vol. 84, no. 4, pp. 686–699, Apr. 2011, doi: 10.1016/j.jss.2010.12.010.
W. E. Nugroho, A. Sofyan, and O. Somantri, “Metode Naive Bayes Dalam Menentukan Program Studi Bagi Calon Mahasiswa Baru,†vol. 12, no. 01, pp. 59–64, 2021, doi: 10.35970/infotekmesin.v12i1.491.
A. Saleh, “Klasifikasi Metode Naive Bayes Dalam Data Mining Untuk Menentukan Konsentrasi Siswa,†KeTIK, pp. 200–208, 2015.
T. Wong, “¨ ve Bayesian classifiers A hybrid discretization method for naı,†Pattern Recognit., vol. 45, no. 6, pp. 2321–2325, 2012, doi: 10.1016/j.patcog.2011.12.014.
J. Wu, S. Pan, Z. Cai, X. Zhu, and C. Zhang, “Dual instance and attribute weighting for Naive Bayes classification,†Proc. Int. Jt. Conf. Neural Networks, no. 1994, pp. 1675–1679, 2014, doi: 10.1109/IJCNN.2014.6889572.
T. N. Lina et al., “Penerapan Metode Decision Tree Untuk Penentuan,†vol. 09, no. 01, pp. 10–19, 2017.
N. F. Romdhoni, K. Usman, and B. Hidayat, “Deteksi Kualitas Kacang Kedelai Melalui Pengolahan Citra Digital dengan Metode Gray-Level Co-Occurrence Matrix ( Glcm ) dan Klasifikasi Desicion Tree,†Pros. Semin. Nas. Ris. dan Inf. Sci., vol. 2, pp. 132–137, 2020.
Downloads
Published
Issue
Section
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-NonCommercial 4.0 International (CC BY-NC 4.0) 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).
Jurnal Informatika Universitas Pamulang have CC-BY-NC or an equivalent license as the optimal license for the publication, distribution, use, and reuse of scholarly work.
In developing strategy and setting priorities, Jurnal Informatika Universitas Pamulang recognize that free access is better than priced access, libre access is better than free access, and libre under CC-BY-NC or the equivalent is better than libre under more restrictive open licenses. We should achieve what we can when we can. We should not delay achieving free in order to achieve libre, and we should not stop with free when we can achieve libre.
Jurnal Informatika Universitas Pamulang is licensed under a Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
YOU ARE FREE TO:
- Share : copy and redistribute the material in any medium or format
- Adapt : remix, transform, and build upon the material for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms