Review Jurnal : Algoritma Naive Bayes Untuk Mencari Perkiraan Waktu Studi Mahasiswa

Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa

Keterangan :

Judul       : Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa

Penulis     : Arief Janato

Jurnal      : Jurnal Teknologi Informasi DINAMIK

Volume    : 18

Tahun      : 2013

No           : 1

Halaman : 1 s/d 8

1. PENDAHULUAN

Lama studi mahasiswa sangatlah penting bagi mahasiswa, lamanya studi mahasiswa juga dapat mempengaruhi dapat program studi serta perguruan tinggi yang bersangkutan. Kualitas mahasiswa dapat dilihat dari aspek rata-rata lama waktu studi mahasiswa itu sendiri. Banyak faktor yang mempengaruhi mengapa lamanya waktu studi mahasiswa tersebut, maka dari itu ada gunannya digunakan program studi yang kewajibannya memantau perkembangan studi dari mahasiswanya.

Sesuai dengan buku peraturan akademik Universitas Stikubank (UNISBANK) Semarang

tahun akademik 2010/2011, Program Sarjana(S-1) reguler adalah program pendidikan akademik setelah pendidikan menengah yang memiliki beban studi sekurang-kurangnya 144 sks dan sebanyak-banyaknya 160 sks yang dijadwalkan untuk 8 semester dan paling lama 14 semester.

2. TUJUAN PENELITIAN

Tujuan penelitian ini adalah untuk memprediksi dengan menggunakan algoritma naive bayes yang dapat dilakukan untuk prediksi terhadap ketepatan waktu studi dari mahasiswa berdasarkan data training yang ada.

3. METODE PENELITIAN

Dengan menggunakan teknik data mining. Dimana faktor nilai-nilai matakuliah yang telah ditempuh hingga semester 4 (masa evaluasi tahap I) atau IPK sampai dengan semester 4 dan faktor data induk mahasiswa yang berupa variabel prediktornya. Metode yang akan digunakan adalah klasifikasi dengan algoritma naive bayes. Fungsi untuk prediksi dibuat menggunakan Query pada MySql dalam bentuk function(fbayesian). 
Obyek dan Tahapan penelitian dilakukan dengan cara menyiapkan data-data yang dibutuhkan sebagai topik utama untuk menyelesaikan permasalahan yang berkaitan. Dengan menggunakan algoritma, database, data mining yang digunakan untuk mengklsifikasi identitas mahasiswa tersebut.

Evaluasi hasil belajar dilakukan dengan cara mengolah data sesuai dengan peraturan akademik UNISBANK, 2010. Langkah proses data mining dapat dilihat sebagai berikut :

Gambar 1. Proses Data Mining

• Persiapan data sebagai tahapan awal dilakukan dalam penelitian yaitu, proses Cleaning data yang digunakan untuk memining data apakah adata tersebut akan dihilangkan atau tidak ikut digunakan.

• Mengkonversi data untuk mempermudah proses mining.

• Algoritma Naive Bayes memprediksi probabilitas keanggotaan suatu class yang menampilkan hasil prediksi. Teorema Bayes memiliki bentuk umum sebagai berikut:

X = Data dengan class yang belum diketahui

H = Hipotesis data X merupakan suatu class spesifik

P(H|X) = Probabilitas hipotesis H berdasarkan kondisi x (posteriori prob.)

P(H) = Probabilitas hipotesis H (prior prob.)

P(X|H) = Probabilitas X berdasarkan kondisi tersebut

P(X) = Probabilitas dari X

4. HASIL dan PEMBAHASAN

Hasil dan Pembahasan meliputi :

• MySQL, dengan menggunakan MySql query browser dan function bayesian dapat memperoleh hasil prediksi.

• Microsoft Excel, digunakannya microsoft excel dilakukan untuk bantuan perhitungan data training dan data uji coba.

• Data Training, digunakan untuk mengambil data pada uji coba dan membuang record-recor yang mempunyai nilai field yang sama dari field sebelumnya.

Berikut diberikan contoh data yang belum diketahui kelasnya sebagai berikut :

IPK = 3

Jenis Kelamin = Perempuan

Kota Lahir = DALAM KOTA

Tipe Sekolah = Umum

Kota Sekolah = LUAR KOTA

       Gambar 2. Hasil uji coba procedure bayesian

         Selain itu dilakukan perhitungan dengan menggunakan microsoft excel dengan data training dan uji coba yang sama.

Tabel 1. Kesimpulan lama studi

             Dimana hasil uji coba dilakukan dengan mengambil data training dengan cara testing secara random dari master data yang digunakan. Kemudian dilakukan uji coba sebanyak 5 kali dan jika memperoleh hasil selisih kesalah maka akan tampak seperti tabel dibawah ini.

Tabel 2. Tingkat eror dengan data training yang diambil secara random

            Dari tabel diatas terlihat tingkat eror atau kesalah prediksi, namun meski eror rata-ratanya rendah, sangat dimungkinkan terjadi karena kondisi dari data yang dimasukan. Selanjutnya menggunakan datatraining1_x digunakan untuk predikdi terhadap data testing pada uji coba 1 hing uji coba 5, seperti tampak pada tabel dibawah ini.

Tabel 3. Daftar tingkat kesalahan dari hasil uji coba yang dilakukan

           Dapat dilihat hasil tingkat kesalah prediksi pada saat menggunakan data yang mempunyai tingkat inkonsitensi yang cukup tinggi. Dari hasil uji coba diperoleh tingkat kesalahan prediksi berkisar 20% sampai dengan 50% dengan data training dan testing yang diambil secara random. Namun rata-rata tingkat kesalahan berkisar 20 % hingga 34%. Tinggi rendahnya tingkat kesalahan dapat disebabkan oleh jumlah record data dan tingkat konsistensi dari data training yang digunakan. Sedangkan hasil prediksi dari ketepatan lama studi dari mahasiswa angkatan 2008 adalah sebesar 254 mahasiswa diprediksi ”Tepat Waktu” dan sisanya yaitu 4 orang diprediksi ”Tidak Tepat Waktu”.

5. KESIMPULAN

 

  Berdasarkan uji coba yang telah dilakukan seperti pada gambar dan tabel sebelumnya, maka dapat diambil kesimpulan bahwa, tingkat kesalahan klasifikasi yang digunakan utuk memprediksi masih rendah yang memungkinkan dapat mempengaruhi hasil testing yang dikeluarkan. Memanfaatkan teknik data mining menggunakan algoritma naive bayes kita dapat mengetahui masa studi dari mahasiswa dengan menggunakan uji coba testing yang telah diperoleh.  Jadi fakto yang mempengaruhi lama studi mahasiswa adalah ketetapan masa studi setiap mahasiswa terhadap dari data akademik sekolah sebelum berada di perguruan tinggi.

6. DAFTAR PUSTAKA
 

Arief Jananto. (2013).  Program Studi Sistem Informasi, Universitas Stikubank

Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa. Jurnal Teknologi Informasi DINAMIK, Vol. 18, No.1, 8 halaman. Tersedia http://www.unisbank.ac.id/ojs/index.php/fti1/article/view/1669