Penggunaan Metode SMOTE pada Naïve Bayes Gaussian untuk Klasifikasi Mahasiswa Drop Out

Khaira Isyara, Aliyah Kurniasih

Abstract


Lembaga institusi pendidikan di Indonesia saling berkompetisi untuk memberikan hasil terbaik dalam mencetak lulusan yang berkualitas. Dimana dalam prosesnya terdapat mahasiswa yang di drop out, dan ini merupakan satu indikator penting yang harus diperhatikan dalam proses pendidikan. Jika suatu sistem mampu memperkirakan atau memprediksi mahasiswa yang akan lulus tepat waktu, maka akan sangat membantu pihak kampus dalam mengambil tindakan pencegahan untuk mencegah terjadinya kasus drop out. Penelitian ini akan mengklasifikasikan kasus mahasiswa yang akan di drop out atau tidak menggunakan metode Naïve Bayes Gaussian dengan teknik oversampling SMOTE untuk mengatasi imbalance class. Nilai akurasi yang diperoleh dari model klasifikasi sebelum oversampling sebesar 0,84 atau 84%. Namun terdapat peningkatan akurasi sebesar 2% yang dihasilkan setelah melakukan oversampling SMOTE sebesar 0,86 atau 86%.

Keywords


Drop out, Naïve Bayes Gaussian, SMOTE, Klasifikasi

References


A. Budiyantara, Irwansyah, E. Prengki, P. Ahmad Pratama, and N. Wiliani, “Komparasi Algoritma Decision Tree, Naive Bayes Dan K-Nearest Neighbor Untuk Memprediksi Mahasiswa Lulus Tepat Waktu,” Jurnal Ilmu Pengetahuan dan Teknologi Komputer, vol. 5, pp. 265–270, 2020, [Online]. Available: www.bri-institute.ac.id

I. H. Wijaya, “Prediksi Mahasiswa Drop Out Berdasarkan Klasifikasi Administratif,” vol. 2, 2018.

Salmawati, Yuyun, and Hazriani, “Klasifikasi Mahasiswa Berpotensi Drop Out Menggunakan Algoritma Naive Bayes Dan Decision Tree,” vol. 8, no. 2, 2022, [Online]. Available: http://ejournal.fikom-unasman.ac.id

A. R. Kadafi, “Perbandingan Algoritma Klasifikasi Untuk Penjurusan Siswa SMA,” Jurnal ELTIKOM, vol. 2, no. 2, pp. 67–77, Dec. 2018, doi: 10.31961/eltikom.v2i2.86.

D. Ulfatul, M. Rachmad, H. Oktavianto, and M. Rahman, “Perbandingan Metode K-Nearest Neighbor Dan Gaussian Naive Bayes Untuk Klasifikasi Penyakit Stroke,” Jurnal Smart Teknologi, vol. 3, no. 4, pp. 2774–1702, 2022, [Online]. Available: http://jurnal.unmuhjember.ac.id/index.php/JST

E. Sutoyo and M. Asri Fadlurrahman, “Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network,” JEPIN (Jurnal Edukasi dan Penelitian Informatika) , vol. 6, pp. 379–385, 2020.

R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma Smote Dan K-Nearest Neighbor,” Jurnal ISD, vol. 3, no. 1, pp. 2528–5114, 2018.

F. Imran, B. Susetyo, and A. H. Wigena, “Identifikasi Faktor-Faktor Yang Berhubungan Dengan Mahasiswa Putus Kuliah Di Ipb Angkatan 2008 Menggunakan Analisis Survival,” 2013.

A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” Citec Journal, vol. 2, pp. 207–217, 2015.

S. A. Nulhaqim, R. D. Heryadi, A. Pancasilawan, and M. Fedransyah, “Peranan Perguruan Tinggi Dalam Meningkatkan Kualitas Pendidikan Di Indonesia Untuk Menghadapi Asean Community 2015,” Social Work Journal, vol. 6, pp. 154–272, 2015.

N. H. Alfianty and S. Mulyati, “Penerapan Naïve Bayes untuk Klasifikasi Data Penyakit Pada Anak.”

N. Sulistiyowati and M. Jajuli, “Integrasi Naïve Bayes Dengan Teknik Sampling Smote Untuk Menangani Data Tidak Seimbang,” vol. 14, no. 1, 2020, [Online]. Available: https://journal.uniku.ac.id/index.php/ilkom

N. V Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” Journal of Artificial Intelligence Research, vol. 16, pp. 321–357, 2002.

“Factors Contributing to Student Dropout,” Kaggle, Mar. 2023. https://www.kaggle.com/datasets/zaeimeusoff/factors-contributing-to-student-dropout (accessed Jun. 11, 2023).


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.