Publisher

UNPAMUNPAM

Journal Jurnal Informatika Universitas PamulangJurnal Informatika Universitas Pamulang Abstract

Tempat untuk mengembangkan kompetensi dan memperluas pengetahuan adalah di perguruan tinggi. Tata cara penerimaan mahasiswa baru merupakan salah satu program tenaga kerja yang dijalankan di perguruan tinggi pasca sekolah menengah. Sebuah perguruan tinggi harus melalui proses ini karena dapat mengetahui apakah calon mahasiswa baru tertarik untuk memilih program studi tertentu. Berdasarkan keterampilan yang dimiliki oleh calon mahasiswa baru, maka dapat ditentukan program studi yang menarik bagi mereka. Beberapa metodologi digunakan dalam penelitian ini, termasuk pembersihan data, pengumpulan data, penentuan kriteria, penentuan probabilitas, dan pengujian akhir. Tujuan dari penelitian ini adalah untuk menggunakan metodologi Nave Bayes dan Decision Tree untuk mengembangkan penjelasan tentang bagaimana calon mahasiswa baru memilih program studi mereka. Metode Nave Bayes telah digunakan dalam studi yang sama untuk memilih minat calon mahasiswa baru saat memutuskan program studi. Dan 96,68% merupakan output untuk nilai akurasi. 2256 rekaman data digunakan dalam penelitian ini, dan 1671 rekaman—setelah pengumpulan dan pembersihan data—diproduksi. Jumlah record data sebelumnya dibagi menjadi dua bagian, yang pertama untuk data pelatihan menggunakan persentase 70% dan yang kedua untuk data pengujian menggunakan persentase 30%, menghasilkan total 513. Keakuratan hasil setelah pengujian adalah ditentukan sebesar 96,68% menggunakan pendekatan Naive Bayes dan 51,56% menggunakan metode Decision Tree. Dibandingkan dengan pendekatan Decision Tree, hal ini menunjukkan bahwa cara klasifikasi Nave Bayes untuk menilai minat calon mahasiswa dalam mendirikan program studi sangat baik. Program studi DIII Farmasi dipilih karena paling diminati calon mahasiswa baru pada klasifikasi ini.

Conclusion

Pendekatan Naive Bayes dan metode Decision Tree sama-sama dapat digunakan untuk mengklasifikasikan minat saat memilih program studi bagi calon mahasiswa baru.Akurasi penelitian dengan menggunakan metode klasifikasi Naive Bayes dari awal hingga tahap pengujian adalah 96,68%, sedangkan akurasi penelitian dengan pendekatan komparatif yaitu metode klasifikasi Decision Tree adalah 51,56%.Pendekatan Nave Bayes yang menghasilkan nilai akurasi sebesar 96,68% ditemukan sebagai metode klasifikasi terbaik dalam penelitian ini, khususnya untuk mengidentifikasi minat penentuan program studi bagi calon mahasiswa.

Future Research

Penelitian selanjutnya dapat berfokus pada pengembangan dan peningkatan kinerja model yang sudah ada. Salah satu arah yang menarik adalah dengan mengeksplorasi berbagai teknik optimalisasi untuk metode Naive Bayes, khususnya implementasi penuh dari pendekatan diskretisasi data yang belum sepenuhnya dimanfaatkan dalam studi ini. Hal ini penting untuk melihat apakah akurasi yang sudah tinggi dapat ditingkatkan lebih jauh atau stabilitas model dapat diperkuat. Selain itu, kinerja metode Decision Tree yang saat ini masih rendah juga menjadi peluang untuk penelitian lebih lanjut; berbagai pengaturan parameter, seperti kedalaman maksimum pohon keputusan atau strategi pemangkasan yang lebih canggih, perlu dievaluasi secara sistematis untuk menemukan konfigurasi optimal yang dapat meningkatkan akurasinya secara signifikan. Tidak hanya itu, untuk mendapatkan pemahaman yang lebih luas, penelitian dapat melibatkan perbandingan dengan metode klasifikasi lain yang populer, seperti Support Vector Machine (SVM), Random Forest, atau algoritma berbasis Neural Network. Ini akan membantu mengidentifikasi metode mana yang paling cocok dan efektif untuk memprediksi minat program studi calon mahasiswa. Lebih lanjut, potensi penggabungan beberapa model klasifikasi (ensemble learning) untuk membangun sistem prediksi yang lebih kuat dan akurat juga sangat menjanjikan. Terakhir, validasi model ini pada skala yang lebih besar, dengan menggunakan data dari berbagai institusi pendidikan tinggi atau mencakup periode waktu yang lebih panjang, akan sangat berharga untuk memastikan generalisasi dan relevansi model di luar konteks studi saat ini. Penambahan kriteria yang lebih beragam, seperti faktor psikologis, preferensi geografis, atau kondisi pasar kerja, juga dapat memperkaya model dan memberikan rekomendasi yang lebih personal dan relevan bagi calon mahasiswa.

Metadata

File size	313.71 KB
Pages	7
DMCA	Report