Penerapan Aloritma Naive Bayes Untuk Membantu Mahasiswa Dalam Memprediksi Pengambilan Mata Kuliah (Studi Kasus: Prodi Teknologi Informasi Unimor Angkatan Tahun 2020)
{"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":null,"pages":null},"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.
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.