OPTIMALISASI METODE NAIVE BAYES DAN DECISION TREE UNTUK MENENTUKAN PROGRAM STUDI BAGI CALON MAHASISWA BARU DENGAN PENDEKATAN UNSUPERVISED DISCRETIZATION
Abstrak
Perguruan Tinggi merupakan tempat penyelenggara pendidikan yang bertujuan menghasilkan sumber daya manusia yang berkualitas dan mampu menghadapi persaingan kerja yang semakin ketat. Maka dari dalam proses rekrutmen atau proses penerimaan calon mahasiswa baru harus mempertimbangkan berbagai prosedur yang bertujuan untuk dapat mengarahkan calon mahasiswa baru dalam menentukan program studi yang akan ditempuh oleh calon mahasiswa baru. Adapun hal sudah ditembuh dalam proses penerimaan mahasiswa baru antara lain dari nilai hasil ujian nasional, nilai raport, nilai ujian sekolah dan nilah test penerimaan mahasiswa baru, serta proses penerimaan dari jalur prestasi dan bidik misi. Dari hal – hal tersebut harus ditingkatkan kinerjanya merupakan faktor penunjang agar proses transformasi keilmuan pendidikan kepada mahasiswa dapat dilakukan dengan baik. Tujuan dari penelitian ini adalah untuk mendapatkan klasifikasi dalam menentukan program studi calon mahasiswa baru dengan mengoptimalkan metode Naïve Bayes dan Decision Tree dengan Pendekatan Unsupervised Discretization, sebagai upaya dalam peningkatan sistem penjaminan mutu internal khususnya standar proses penerimaan mahasiswa baru dalam menentukan program studi pada Politeknik Harapan Bersama Tegal. Dimana dalam proses penerimaan mahasiswa baru ini telah dilakukan perencanaan, pelaksanaan, evaluasi, dan monitoring sebagai bentuk penerapan Sistem Penjamin Mutu Internal (SPMI). Dalam penelitian ini, data yang digunakan adalah data hasil penerimaan calon mahasiswa baru dari seluruh program studi. Data tersebut antara lain data kelengkapan administratif persyaratan calon mahasiswa baru, serta data nilai hasil test penerimaan mahasiswa baru. Data yang digunakan yakni data selama 1 tahun akademik 2019/2020. Dari data tersebut akan dilakukan training dan testing dengan menggunakan Rapidminer 9, maka akan didapatkan klasifikasi kinerja pengajaran dosen.
Referensi
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.
M. A. Al and M. Lirboyo, “Program studi sistem informasi fakultas teknik universitas nusantara pgri kediri 2017,” 2017.
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.
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.
L. Vanfretti and V. S. N. Arava, “Electrical Power and Energy Systems Decision tree-based classi fi cation of multiple operating conditions for power system voltage stability assessment,” Electr. Power Energy Syst., vol. 123, no. April, p. 106251, 2020.
M. Shanmugapriya, H. K. Nehemiah, R. S. Bhuvaneswaran, K. Arputharaj, and J. Jabez Christopher, “Unsupervised Discretization: An Analysis of Classification Approaches for Clinical Datasets,” Res. J. Appl. Sci. Eng. Technol., vol. 14, no. 2, pp. 67–72, 2017.
A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” vol. 2, no. 3, pp. 207–217, 2015.
I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,” J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 217, 2018.
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.
T. Wong, “¨ ve Bayesian classifiers A hybrid discretization method for naı,” Pattern Recognit., vol. 45, no. 6, pp. 2321–2325, 2012.
A. Saleh, F. Nasari, U. P. Utama, and K. J. Siswa, “Penggunaan Teknik Unsupervised Discretization Pada Metode Naive Bayes Dalam Menentukan Jurusan Siswa Applied Of Unsupervised Discretization Technique In Naive Bayes Method In Determining Madrasah Aliyah Students ’ MAJOR,” vol. 5, no. 3, pp. 353–360, 2018.
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.
R. F. Ropero, S. Renooij, and L. C. van der Gaag, “Discretizing environmental data for learning Bayesian-network classifiers,” Ecol. Modell., vol. 368, pp. 391–403, 2018.
