PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOR DAN NAÏVE BAYES DALAM MEMPREDIKSI WAKTU KELULUSAN MAHASISWA
Kata Kunci:
Prediksi Waktu Lulus, Klasifikasi, Naïve Bayes, KNN, SMOTEAbstrak
Mahasiswa merupakan aspek penting bagi lembaga pendidikan tinggi terutama tentang waktu kelulusan mahasiswa. Oleh sebab itu, penting mengetahui prediksi lama waktu penyelesaian studi mahasiswa. Penelitian ini mengusulkan pembuatan sistem prediksi tingkat kelulusan mahasiswa dengan menerapkan metode machine learning. Prediksi tersebut dapat menjadi langkah preventif agar mahasiswa dapat memperbaiki proses belajar dan menjadi pendorong bagi mahasiswa untuk dapat lulus tepat waktu. Percobaan model klasifikasi KNN dan Naïve Bayes serta uji waktu kelulusan mahasiswa pada beberapa kelas data yaitu 8 kelas klasifikasi (lulus semester 7 sampai 14) dan 4 kelas klasifikasi (Tidak Lulus, Terlambat, Tepat Waktu, dan Cepat). Penelitian ini juga melakukan handling imbalance class yang bertujuan meningkatkan kinerja model klasifikasi menggunkan metode SMOTE. Berdasarkan keseluruhan uji coba, metode KNN lebih unggul dibandingkan metode Naïve Bayes. Penerapan teknik oversampling SMOTE menghasilkan peningkatan yang signifikan dengan selisih nilai evaluasi (presisi, recall, F1 Score, dan akurasi) antara 12% sampai 41% pada metode Naïve Bayes maupun KNN. Hasil prediksi 4 kelas menggunakan metode KNN dengan SMOTE mendapatkan nilai presisi sebesar 79%, nilai recall sebesar 78%, nilai F1 Score sebesar 78%, dan akurasi sebesar 78%. Sedangkan hasil prediksi 8 kelas menggunakan metode KNN dengan SMOTE mendapatkan nilai presisi, recall, F1 Score, dan akurasi sama-sama sebesar 93%.