Penerapan Aloritma Naive Bayes Untuk Membantu Mahasiswa Dalam Memprediksi Pengambilan Mata Kuliah (Studi Kasus: Prodi Teknologi Informasi Unimor Angkatan Tahun 2020)

IF 2.4 Q3 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS International Journal of Information and Learning Technology Pub Date : 2023-02-28 DOI:10.32938/jitu.v3i1.3953

Ramaulvi Muhammad Akhyar

{"title":"Penerapan Aloritma Naive Bayes Untuk Membantu Mahasiswa Dalam Memprediksi Pengambilan Mata Kuliah (Studi Kasus: Prodi Teknologi Informasi Unimor Angkatan Tahun 2020)","authors":"Ramaulvi Muhammad Akhyar","doi":"10.32938/jitu.v3i1.3953","DOIUrl":null,"url":null,"abstract":"\n \n \n \n \n \n \n \n \n \n \n Abstrak - Selama semester pertama setiap mahasiswa Bagian akademik Fakultas Sains dan Teknologi Universitas Timor harus bekerja keras untuk mempelajari bagaimana melakukan penjadwalan dan penentuan mata kuliah. Namun, proses itu sendiri ditandai dengan permasalahan, dengan pengecualian fakta bahwa kelas bawaan dapat mengakibatkan pembubaran satu atau beberapa siswa. Alhasil, dikembangkanlah sebuah sistem yang dapat mengendalikan mata kuliah. Salah satu solusi tersebut menggunakan klasifikasi penambangan data. Data atribut mahasiswa seperti Nilai, IP, IPK, SKS, SKSK, dan Semester digunakan dalam proses klasifikasi, yang memungkinkan untuk prediksi tentang bagaimana mahasiswa tersebut akan mmengambil mata kuliah yang dimaksud. Indikator klasifiabilitas terdiri dari dua kelas yaitu “Ya” untuk mahasiswa yang meramal sukses dan “Tidak” untuk mahasiswa yang memprediksi gagal. Algoritma Naive Bayes Classification (NBC) digunakan untuk melakukan klasifikasi. Dataset training terdiri dari data semester ganjil tahun 2020 dan semester genap tahun 2021. Untuk pengujian, data dari semester 2022 tersedia. Tingkat akurasi prediksi mata kuliah Keamanan Sistem dan Data sebesar 21,21%, sedangkan akurasi prediksi mata kuliah Audit Sistem Informasisebesar 78,26%. Kedua mata kuliah ini terpilih sebagai bagian dari seleksi. Luaran artikel ini adalah dashboard yang menampilkan grafik hasil aktual dan prediksi untuk sejumlah kelas selama semester dan tahun berjalan.","PeriodicalId":51872,"journal":{"name":"International Journal of Information and Learning Technology","volume":"39 1","pages":""},"PeriodicalIF":2.4000,"publicationDate":"2023-02-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"International Journal of Information and Learning Technology","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.32938/jitu.v3i1.3953","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS","Score":null,"Total":0}

引用次数: 0

Abstract

Abstrak - Selama semester pertama setiap mahasiswa Bagian akademik Fakultas Sains dan Teknologi Universitas Timor harus bekerja keras untuk mempelajari bagaimana melakukan penjadwalan dan penentuan mata kuliah. Namun, proses itu sendiri ditandai dengan permasalahan, dengan pengecualian fakta bahwa kelas bawaan dapat mengakibatkan pembubaran satu atau beberapa siswa. Alhasil, dikembangkanlah sebuah sistem yang dapat mengendalikan mata kuliah. Salah satu solusi tersebut menggunakan klasifikasi penambangan data. Data atribut mahasiswa seperti Nilai, IP, IPK, SKS, SKSK, dan Semester digunakan dalam proses klasifikasi, yang memungkinkan untuk prediksi tentang bagaimana mahasiswa tersebut akan mmengambil mata kuliah yang dimaksud. Indikator klasifiabilitas terdiri dari dua kelas yaitu “Ya” untuk mahasiswa yang meramal sukses dan “Tidak” untuk mahasiswa yang memprediksi gagal. Algoritma Naive Bayes Classification (NBC) digunakan untuk melakukan klasifikasi. Dataset training terdiri dari data semester ganjil tahun 2020 dan semester genap tahun 2021. Untuk pengujian, data dari semester 2022 tersedia. Tingkat akurasi prediksi mata kuliah Keamanan Sistem dan Data sebesar 21,21%, sedangkan akurasi prediksi mata kuliah Audit Sistem Informasisebesar 78,26%. Kedua mata kuliah ini terpilih sebagai bagian dari seleksi. Luaran artikel ini adalah dashboard yang menampilkan grafik hasil aktual dan prediksi untuk sejumlah kelas selama semester dan tahun berjalan.

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

Aloritma Naive Bayes的应用，帮助学生预测选修科目。

在第一学期，东帝汶大学科学技术学院的每个学生都必须努力学习如何安排时间和选修课。然而，这个过程本身就是一个问题，除了自然阶级可能导致一个或多个学生的解体这一事实。因此，建立了一种控制学科的系统。其中一种解决方案是使用数据挖掘分类。学生属性数据，如值、IP、IPK、SKS、SKSK和学期，可以在分类过程中使用，从而预测学生将如何选择所选的课程。古典主义指标由两类组成，即预测成功的学生是“是”，预测失败的学生是“不是”。Naive Bayes Classification算法用于进行分类。数据培训包括2020年奇怪学期和2021年周期的数据。为测试，2022学期的数据是可用的。系统安全性预测和数据的准确性为221%，而审计系统信息准确性为78.26%。这两门课程都被选为选修课的一部分。这篇文章的内容是一个仪表盘，展示了在学期和一年的课程中对一些班级的实际结果和预测。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

International Journal of Information and Learning Technology COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS-

CiteScore

6.10

自引率

3.30%

发文量

期刊介绍： International Journal of Information and Learning Technology (IJILT) provides a forum for the sharing of the latest theories, applications, and services related to planning, developing, managing, using, and evaluating information technologies in administrative, academic, and library computing, as well as other educational technologies. Submissions can include research: -Illustrating and critiquing educational technologies -New uses of technology in education -Issue-or results-focused case studies detailing examples of technology applications in higher education -In-depth analyses of the latest theories, applications and services in the field The journal provides wide-ranging and independent coverage of the management, use and integration of information resources and learning technologies.