STIKES PROGRAM STUDI D3 TENOLOGI LABORATORIUM MEDIK STIKES GUNA BANGSA) Dr. Widyastuti Andriyani, S.Kom., M.Kom. Contributor Anwarudin - 19/22/18/MTI-TSD/5 Primary Author mixed material bibliography Yogyakarta UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI) 2022 monographic id Indonesia

Thesis

Mutu perguruan tinggi dapat dilihat dari tingkat kelulusan mahasiswa tepat waktu. Prediksi kelulusan mahasiswa ini dapat digunakan sebagai salah satu penunjang keputusan evaluasi kinerja mahasiswa. Saat ini, program studi (prodi) D3 Teknologi Laboratorium Medik STIKES Guna Bangsa Yogyakarta belum memiliki tools untuk memprediksi tingkat ketepatan waktu lulus mahasiswa tersebut. Tujuan penelitian itu yaitu mengevaluasi penerapan algoritma Naive Bayes Classification dan K-Nearest NEIGHBORS dalam pemodelan prediksi ketepatan waktu lulus mahasiswa dengan mengukur akurasi hasil prediksi menggunakan teknik skenario uji n-Folds Cross Validation. Penelitian ini menggunakan data akademik berupa sampel data mahasiswa program studi D3 Teknologi Laboratorium Medik Tahun Akademik (TA) 2015/2016 sampai dengan 2018/2019. Penelitian ini menggunakan pendekatan ekperimen (Experimental) dengan membandingkan metode algoritma Naive Bayes Classification dengan K-Nearest NEIGHBORS. Pelatihan dan pengujian sistem dilakukan dengan metode 5-fold Cross Validation dengan mengukur hasil akurasi, presisi dan recall. Hasil penelitian menunjukkan bahwa prediksi dengan Naive Bayes Classification pada kasus ini dengan tingkat performance yaitu akurasi sebesar 96,11 % dengan tingkat presisi sebesar 82,11% dan Recall sebesar 100,00% dan prediksi dengan menggunakan algoritma KNN yaitu akurasi sebesar 97,68% dengan tingkat presisi sebesar 100,00% dan Recall xiii sebesar 86,11%. Dengan demikian, KNN merupakan algoritma dengan tingkat akrasi lebih baik untuk menyelesaikan kasus prediksi ketepatan waktu lulus mahasiswa Program Studi D3 Teknologi Laboratorium Medik STIKES Guna Bangsa Yogyakarta. Kata Kunci: Prediksi ketepatan waktu lulus mahasiswa, Naive Bayes Classification, K-Nearest Neighbors, n-Folds Cross Validation Metode Naive Bayes Classification Metode K-Nearest Neighbor NONE Perpustakaan Universitas Teknologi Digital Indonesia Katalog Online Perpustakaan Universitas Teknologi Digital Indonesia 006 Anw P R.1 ANW006MT0122 RAK REFERENSI TESIS MTI 006 Anw P R.1 16594 2022-03-10 09:51:41 2022-03-10 09:53:43 machine generated