Implementasi Metode Bayes untuk Menentukan Potensi Diri Beserta Pengaruhnya Terhadap IPK Mahasiswa
Abstract
Tingginya minat siswa untuk melanjutkan sekolah ke jenjang yang lebih tinggi berpengaruh pada tingginya jumlah mahasiswa yang terdaftar di Indonesia. Kesulitan dalam menyelesaikan perkuliahan menjadi masalah yang sering terjadi, salah satu penyebabnya adalah ketidak-sesuaian potensi diri dengan program studi yang dipilih. Penelitian ini menjadikan FIK Universitas Amikom Yogyakarta sebagai tempat studi kasus untuk mencari tahu korelasi potensi diri dengan IPK mahasiswa, mencari potensi diri terbaik pada masing-masing program studi serta mencari tahu akurasi metode naive bayes dalam mengklasifikasi potensi diri mahasiswa. Responden yang digunakan dalam penelitian ini berjumlah 50 orang yang terdiri dari mahasiswa minimal semester 4, alumni dan 1 pakar. Pengumpulan data menggunakan metode wawancara dan koesioner, sedangkan pengolahan data menggunakan metode naive bayes classifier, confusion matrix untuk pengujian, dan korelasi pearson product moment untuk mencari tahu ada tidaknya korelasi. Penelitian ini mendapatkan hasil bahwa potensi diri kemampuan logika, visual dan interpersonal berpengaruh terhadap tingginya IPK mahasiswa dimana nilai signifikansi logika=0.043<0.05, interpersonal=0,029<0.05 dan visual=0,05<0.05. Kemampuan logika cenderung akan berdampak baik pada IPK mahasiswa prodi S1-SI, S1-IF, serta S1-TK, sedangkan kemampuan visual berdampak baik pada program studi S1-TI, D3-MI dan D3-IF. Naive bayes juga diketahui memiliki tingkat akurasi sebesar 90,625% dalam mengklasifikasikan mahasiswa berdasarkan potensi diri.
Kata Kunci — bayes, IPK, mahasiswa
The high interest of students to continue their education has an effect on the high number of students in Indonesia. Difficulties in completing lectures become a problem that often occurs, one of the reasons is incompatibility study program and student talents. This research made FIK Amikom University Yogyakarta as a case study to find out the correlation of Grade Point average (GPA) and student talents, best talents that’s needed in each study program and the accuracy of naive bayes in classifying students' talents, 50 people consisting of students at least semester 4, alumni and 1 expert as respondents. Data collection uses interview and questionnaire methods, while data processing uses the naive bayes classifier, confusion matrix for testing, and Pearson product moment correlation to find out whether there is correlation. This study found that the self-potential logic, visual and interpersonal abilities influence the high GPA of students where the significance value of logic=0.043<0.05, interpersonal=0.029<0.05 and visual=0.05<0.05. Logical ability tends to have a good impact on the GPA of S1-SI, S1-IF, and S1-TK study program, while visual abilities have an impact on S1-TI, D3-MI and D3-IF. Naive Bayes is also known to have an accuracy rate of 90.625% in classifying students based on their talents.
Keywords — bayes, GPA, students
Full Text:
PDFReferences
Kementerian Riset, Teknologi, dan Pendidikan Tinggi, 2017, Statistik Pendidikan Tinggi Tahun 2017, Pangkalan Data Pendidikan Tinggi, Pusdatin Iptek Dikti, Setjen,
Kemenristekdikti, Jakarta.
Swastina, L, 2013, Penerapan Algoritma C4.5 untuk Penentuan Jurusan Mahasiswa. Jurnal Gema Aktualita, No. 1, Vol. 2, Hal. 93-98
Febryanti, A. C., Darmawan, I., Andreswari, R., 2016, Pembobotan Kriteria Sistem Pendukung Keputusan Pemilihan Bidang Peminatan Menggunakan Metode Analytic
Hierarchy Process (Studi Kasus: Program Studi Sistem Informasi Universitas Telkom), Jurnal Rekayasa Sistem & Industri, No. 4, Vol. 3, Hal. 7-15.
Rozi, A. F., Purnomo, A. S., 2017, Rekomendasi Pemilihan Minat Studi Menggunakan Metode Mamdani Studi Kasus: Program Studi Sistem Informasi FTI UMBY, Informatics
Journal, No. 3, Vol. 2, Hal. 138-147
Beharu, W. T., 2018. Psyhological Factors Affecting Students Academic Performance Among Freshman Psychology Students in Dire Dawa University, Journal of Education and Practice, No. 4, Vol. 9, Hal. 59-65
Budiharto, W., 2014, Artificial Intelligent, Andi Offset, Yogyakarta.
Sugiyono, 2011, Statistika untuk Penelitian, Alfabeta, Bandung.
Mustafa, S. M., Ramadhan, M. R., Thenata, A. P., 2017, Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier, Citec Journal, No. 2, Vol 4, Hal. 151-162
Bahar., Pratama, D. W., 2017, Penerapan Teorema Bayes Dalam Sistem Pakar Untuk Konsultasi Siswa Bermasalah, JUITISI, No. 2, Vol. 6, Hal. 1529-1540
Sokolova, M., Lapalme, G., 2019, A Systematic analysis of performance measures for classification task, Information Processing and Management, No. 4, Vol. 45, Hal. 427-437.
DOI: https://doi.org/10.24076/citec.2019v6i1.228
Refbacks
- There are currently no refbacks.
Indexed by:
Dedicated to: