IMPLEMENTASI ALGORITMA DATA MINING DALAM PREDIKSI KELULUSAN MAHASISWA BERBASIS WEB

Abstract

Prediksi kelulusan mahasiswa merupakan salah satu upaya strategis dalam mendukung pengambilan keputusan akademik secara lebih dini. Penelitian ini bertujuan membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naive Bayes dalam mengidentifikasi status kelulusan mahasiswa berdasarkan data akademik. Dataset terdiri dari 541 data mahasiswa dengan atribut jenis kelamin, Indeks Prestasi Semester (IPS 1–8), IPK, dan usia. Tahapan penelitian meliputi pembersihan data, penanganan missing value menggunakan nilai rata-rata, transformasi data kategorikal dengan label encoding, normalisasi menggunakan standard scaler, serta pembagian data menjadi 80% data latih dan 20% data uji. Berdasarkan hasil pengujian, algoritma Support Vector Machine memperoleh akurasi 95,41% dengan nilai precision, recall, dan F1-score yang relatif seimbang pada kedua kelas sehingga menunjukkan kemampuan generalisasi yang baik. Sementara itu, Naive Bayes juga mampu melakukan klasifikasi dengan baik dengan akurasi 90,82%, namun menghasilkan tingkat akurasi yang lebih rendah dibandingkan SVM  akibat asumsi independensi antar atribut yang kurang sesuai dengan karakteristik data akademik. Hasil penelitian menunjukkan bahwa Support Vector Machine merupakan metode yang lebih efektif dan direkomendasikan untuk prediksi kelulusan mahasiswa dibandingkan Naive Bayes pada dataset yang digunakan.