PENERAPAN ALGORITMA NAIVE BAYES DALAM MEMPREDIKSI MINAT MAHASISWA BARU
DOI:
https://doi.org/10.24076/joism.2026v7i2.2375Keywords:
Naive Bayes, Data Mining, Prediksi Minat StudiAbstract
Penentuan konsentrasi studi mahasiswa baru yang tidak tepat dapat berdampak pada rendahnya motivasi belajar dan meningkatnya risiko perpindahan konsentrasi. Penelitian ini bertujuan memprediksi minat konsentrasi studi mahasiswa baru menggunakan algoritma Naive Bayes. Penelitian dilakukan dengan pendekatan Knowledge Discovery in Database (KDD) yang meliputi pemilihan data, pra-pemrosesan, pembentukan dataset, serta pelatihan dan pengujian model. Data yang digunakan berupa riwayat akademik dan hasil survei preferensi mahasiswa baru tahun akademik 2024/2025 yang telah dianonimkan. Dataset dibagi menjadi 80% data latih dan 20% data uji. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan akurasi sebesar 89% dengan nilai presisi dan recall di atas 85%. Hasil ini menunjukkan bahwa algoritma Naive Bayes efektif digunakan sebagai alat bantu rekomendasi konsentrasi studi mahasiswa baru.
References
[1] C. Nas, “Data Mining Prediksi Minat Calon Mahasiswa Memilih Perguruan Tinggi Menggunakan Algoritma C4.5,” J. Manaj. Inform., vol. 11, no. 2, pp. 131–145, 2021, doi: 10.34010/jamika.v11i2.5506.
[2] Reskianto, “Bab I Pendahuluan Latar Belakang Kopi,” pp. 1–34, 2019, [Online]. Available: http://scholar.unand.ac.id/29501/2/BAB I.pdf
[3] L. Belakang and U. K. Indonesia, “BAB I,” pp. 1–5.
[4] D. A. Punkastyo, F. Septian, and A. Syaripudin, “Implementasi Data Mining Menggunakan Algoritma Naïve Bayes Untuk Prediksi Kelulusan Siswa,” J. Syst. Comput. Eng., vol. 5, no. 1, pp. 24–35, 2024, doi: 10.61628/jsce.v5i1.1073.
[5] R. M. Sari, V. Tasril, S. Wahyuni, and S. E. Putri, “Desain Aplikasi Naïve Bayes Untuk Memprediksi Kelulusan Siswa,” Pros. Semin. Nas. Teknol. Inov. dan Kolaborasi Disiplin Ilmu, vol. 1, no. 1, pp. 1–6, 2024, [Online]. Available: https://journal.fkpt.org/index.php/sinekad
[6] S. Hakim, “Hubungan Kesiapan Belajar, Kemandirian Belajar, dan Motivasi Belajar dengan Hasil Belajar Biologi Siswa Kelas X IPA MAN di Kota Makassar (Doctoral dissertation, Universitas Negeri Makassar),” J. Food Sci., pp. 46–47, 2019.
[7] G. I. Marthasari, “Analisis Data Pendidikan Tinggi Menggunakan Pendekatan Data Mining,” J. simantec, vol. 5, no. 3, pp. 165–172, 2016.
[8] D. Ayu et al., “AN EDUCATIONAL DATA MINING FOR STUDENT ACADEMIC PREDICTION USING K-MEANS CLUSTERING AND NAÏVE BAYES,” pp. 155–160.
[9] R. E. Black et al., “Maternal and child undernutrition and overweight in low-income and middle-income countries,” Lancet, vol. 382, no. 9890, pp. 427–451, Aug. 2013, doi: 10.1016/S0140-6736(13)60937-X.
[10] R. Adrian, M. Aldi, J. Satria, and S. Riyadi, “Applying the Naive Bayes Algorithm to Predict the Student Final Grade,” vol. 1, no. 2, pp. 49–57, 2020.
[11] A. R. Pratama, R. R. Aryanto, A. T. M. Pratama, U. I. Indonesia, K. Sleman, and P. Korespondensi, “MODEL KLASIFIKASI CALON MAHASISWA BARU UNTUK SISTEM LEARNING-BASED COLLEGE MAJOR RECOMMENDATION SYSTEM,” vol. 9, no. 4, 2022, doi: 10.25126/jtiik.202294311.
[12] I. Valentina, O. Muhammad, and A. Ridla, “JUSTIFY : Jurnal Sistem Informasi Ibrahimy PREDIKSI TREN MINAT MASYARAKAT INDONESIA TERHADAP TEKNOLOGI ARTIFICIAL INTELLIGENCE ( AI ) DI ERA MODEL AI GENERATIF 2025 DENGAN ALGORITMA TRIPLE EXPONENTIAL SMOOTHING,” vol. 4, no. 1, pp. 1–7, 2025, doi: 10.35316/justify.v4i1.7760.
[13] H. Setiadi, K. Sanjaya, A. Wijayanto, D. W. Wardhani, and H. D. Cahyono, “Ingénierie des Systèmes d ’ Information Comparative Analysis of Classification Algorithms Using Feature Selection Techniques to Predict On-Time Student Graduation,” vol. 29, no. 4, pp. 1365–1379, 2024.
[14] I. Engineering, “Data Mining Menggunakan Algoritma Decision Tree untuk Menentukan Kelulusan Mahasiswa dengan RapidMiner,” vol. 1, no. 1, pp. 113–117, 2025.
[15] I. G. I. Suwardika, I. G. N. Suariana, and I. B. P. Bhiantara, “PREDIKSI TINGKAT KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN NAÏVE BAYES : STUDI KASUS FAKULTAS,” no. 2, 2019.
[16] F. Azuaje, “Review of " Data Mining : Practical Machine Learning Tools and Techniques " by Witten and Frank,” vol. 2, pp. 1–2, 2006, doi: 10.1186/1475-925X-5-51.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
