PREDIKSI PENILAIAN HASIL BELAJAR MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYESIAN (STUDI KASUS UNIVERSITAS TAMA JAGAKARSA)
Keywords:
naïve bayesian classifier, prediksi nilai akhir, prestasi mahasiswa, wake-up callAbstract
Penilaian hasil belajar mahasiswa merupakan bagian terpenting dalam suatu proses pembelajaran. Prestasi mahasiswa dapat ditentukan berdasarkan pencapaian nilai akhir pada mata kuliah tertentu. Nilai akhir mahasiswa dapat digunakan untuk mengevaluasi dan memprediksi prestasi mahasiswa di masa depan. Penelitian ini dilakukan untuk menganalisis algoritma Naïve Bayesian Classifier (NBC) dalam memprediksi nilai akhir mahasiswa di masa depan berdasarkan data nilai akhir mahasiswa pada semester sebelumnya. Penelitian ini bermanfaat bagi mahasiswa untuk meningkatkan nilai mereka, sesuai kelemahan mereka yang terprediksi melalui penelitian ini (wake-up calling). Hasil penelitian ini menunjukkan bahwa NBC berhasil mengklasifikasikan data dengan akurasi 94,2446 %.
References
Shahiria AM, Husaina W, Rashida NA. 2015. TheThird Information Systems International Conference A Review on Predicting Student’s Performance using Data Mining Techniques. Procedia Computer Science (ScienceDirect). Vol. 72, 2015, page 414-422.
Ahmad F, Ismail NH, Aziz AA. 2015. The Prediction of Students’ Academic Performance Using Classification Data Mining Techniques. Journal Applied Mathematical Sciences HIKARI. Vol. 9 No. 129, 2015, page 6415 – 6426.
Hermawati FA. 2013. Data Mining. Penerbit: CV. ANDI OFFSET.
Abuteir MM dan El-Halees AM. 2012. Mining Educational Data to Improve Students’ Performance: A Case Study. International Journal of Information and Communication Technology Research. Vol. 2 No. 2, February 2012, page 140- 146.
Manning CD, Raghavan P, Schutze H. 2009. An Introduction to Information Retrieval. Cambridge (UK): Cambridge University Pr.
Rosen G, Garbarine E, Caseiro D, Polikar R, Sokhansanj. 2008. Metagenome fragment classification using n-mer frequency profiles. Advances in Bioinformatics. doi:10.1155/2008/205969.
Han J, Kamber M. 2001. Data Mining: Concepts and Techniques. San Francisco (US): Morgan Kaufmann Publishers.
U. bin Mat, Buniyamin N, Arsad PM, Kassim R, An overview of using academic analytics to predict and improve students’ achievement: A proposed proactive intelligent intervention, in: Engineering Education (ICEED), 2013 IEEE 5th Conference on, IEEE, 2013, page 126–130.
Meit SS, Borges NJ, Cubic BA, Seibel HR. 2007. Personality differences in incoming male and female medical students. https://files.eric.ed.gov/fulltext/ED490525.pdf.
