ALGORITMA ANN, KNN, NAIVE BAYES, SVM DAN DECISION TREE DALAM MENENTUKAN KELULUSAN MAHASISWA

Abstrak

Tingkat lulusan mahasiswa di semua perguruan tinggi dapat diukur dengan melihat lama studinya, baik yang tepat waktu maupun yang terlambat. Sehingga, dengan melihat lama studi tersebut dapat mempengaruhi kualitas program studi di perguruan tinggi. Tujuan penelitian ini adalah menerapkan dan mengkomparasi model algoritma naïve bayes, decision tree, artificial neural network, k- nearest neighbor (K-NN), support vector machine (SVM) dalam melakukan prediksi tingkat kelulusan mahasiswa. Dataset yang digunakan dalam penelitian ini berjumlah 807 data mahasiswa fakultas teknik Universitas Hamzanwadi. Teknik analisis data yang digunakan adalah statistic deskriptif dengan menerapkan metode knowledge discovery in database (KDD). Pengujian kelima algoritma tersebut dilakukan optimasi data dengan teknik smotenn dan split data menggunakan data training 80% dan data test 20% dengan random state 42. Hasil temuan kami menunjukkan bahwa algoritma naïve bayes memiliki akurasi sebesar 92,37%, decision tree 91,60%, KNN 96,95%, SVM 93,13% dan ANN 90,84%. pengujian kelima algoritma tersebut, algoritma KNN memiliki tingkat akurasi terbaik sebesar 96,95%. Adapun hasil prediksi tersebut cenderung terlambat yang dipengaruhi oleh IPK. Oleh karena itu Lembaga perlu memberi perhatian lebih terhadap mahasiswa yang diprediksi terlambat untuk meningkatkan IPK di setiap semester, sehingga dapat meningkatkan kelulusan tepat waktu sesuai rentang waktu yang diharapkan.