Sistem Pendukung Keputusan Rekomendasi Topik Skripsi Menggunakan Naïve Bayes Classifier

Farid Farid, Ultach Enri, Yuyun Umaidah

Abstract

Setiap mahasiswa dituntut untuk melakukan kewajiban, salah satunya berupa penelitian. Sebagai wujud nyata proses akhir menuju sarjana setiap mahasiswa diharuskan membuat artikel ilmiah dalam bentuk buku yang diberi nama skripsi. Selama ini proses menentukan topik skripsi mahasiswa dilakukan secara manual, baik pembimbing skripsi yang memberi masukan atau ide diperoleh dari berbagai makalah penelitian. Dan proses penentuan topik skripsi tanpa menggunakan sistem terkomputerisasi. Maka dari itu peneliti membuat penelitian ini agar dapat membantu Mahasiswa dalam menentukan topik skripsi yang sesuai dengan kompetensi Mahasiswa. Metode penelitian ini menggunakan metode pengembangan data mining dan perangkat lunak dengan menerapkan algoritma Naïve Bayes Classifier ke sistem berbasis website. Hasil dari penelitian ini adalah sistem pendukung keputusan yang dapat memberikan rekomendasi topik skripsi berdasarkan data nilai mata kuliah pilihan. Nilai accuracy model terbaik yang diimplementasikan pada sistem ini adalah sebesar 69,27%. Nilai akurasi kurang baik karena jumlah data yang tidak seimbang pada setiap kategori topik skripsi.

Keywords

sistem pendukung keputusan; rekomendasi topik skripsi; naïve bayes classifier

Article Metrics

Abstract view : 2 times
PDF view : 2 times

Full Text:

PDF

References

M. F. Akbar and F. D. Anggraeni, “Teknologi Dalam Pendidikan : Literasi Digital dan Self-Directed Learning pada Mahasiswa Skripsi,” Indig. J. Ilm. Psikol., vol. 2, no. 1, pp. 28–38, 2017, doi: 10.23917/indigenous.v1i1.4458.

A. Abdullah and Sucipto, “Prototipe Sistem Cerdas Dalam Menentukan Topik Skripsi Menggunakan Fuzzy AHP di Universitas Muhammadiyah Pontianak,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 15, no. 2, pp. 97–102, 2020.

E. Rasywir, “Implementasi Sistem Penentuan Skripsi Mahasiswa,” J. Ilm. Media Process., vol. 12, pp. 880–893, 2017.

Widarto, “Faktor Penghambat Studi Mahasiswa yang Tidak Lulus Tepat Waktu di Jurusan Pendidikan Teknik Mesin FT UNY,” J. Din. Vokasional Tek. Mesin, vol. 2, pp. 127–138, 2017.

N. L. P. Merawati and S. Hartati, “Sistem Rekomendasi Topik Skripsi Menggunakan Metode Case Based Reasoning,” J. Ilm. Teknol. Infomasi Terap., vol. 4, no. 3, pp. 174–183, 2018.

T. Z. Maulani and Z. K. Simbolon, “Implementasi Algoritma Naïve Bayes Classifier Dalam Menentukan Topik Tugas Akhir Mahasiswa Berbasis Web,” Infomedia, vol. 4, pp. 33–41, 2019.

I. S. Bakti and Ivandari, “Model Prediksi Penyakit Diabetes Menggunakan Bayesian Classification Dan Information Gain Untuk Seleksi Fitur Dan Adaptive Boosting Untuk Pembobotan Data,” J. IC-Tech, vol. 23, no. 3, pp. 28–37, 2019.

K. Aji, “Sistem Pakar Tes Kepribadian Menggunakan Metode Naive Bayes,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 4, no. 2, p. 75, 2019, doi: 10.31328/jointecs.v4i2.1010.

Yusra, D. Olivita, and Y. Vitriani, “Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor,” J. Sains, Teknol. dan Ind., vol. 14, no. 1, pp. 79–85, 2016.

A. S. Yaumi, Z. Zulfiqkar, and A. Nugroho, “Klasterisasi Karakter Konsumen Terhadap Kecenderungan Pemilihan Produk Menggunakan K-Means,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 5, no. 3, pp. 195–202, 2020, doi: 10.31328/jointecs.v5i3.1523.

D. Audilla, D. Hidayatullah, S. Informasi, U. Nasional, and E. S. Informasi, “Sistem Pendukung Keputusan Penilaian Efektivitas Sistem Informasi Menggunakan Metode Naïve Bayes Classifier,” J. STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 4, no. 2, pp. 150–158, 2019.

E. Priyanti, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Bakteri Gram-Negatif,” J. Tek. Komput., vol. 3, no. 2, pp. 68–76, 2017.

D. Laia, E. Buulolo, and M. J. F. Sirait, “Implementasi Data Mining Untuk Memprediksi Pemesanan Driver Go-Jek Online Dengan Menggunakan Metode Naive Bayes (Studi Kasus: Pt. Go-Jek Indonesia),” J. KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 2, no. 1, pp. 434–439, 2018, doi: 10.30865/komik.v2i1.972.

B. Satria and L. Tambunan, “Sistem Pendukung Keputusan Penerima Bantuan Rumah Layak Huni Menggunakan FMADM dan SAW,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 5, no. 3, p. 167, 2020, doi: 10.31328/jointecs.v5i3.1361.

R. K. Dinata, S. Safwandi, N. Hasdyna, and N. Azizah, “Analisis K-Means Clustering pada Data Sepeda Motor,” INFORMAL Informatics J., vol. 5, no. 1, pp. 10–17, 2020, doi: 10.19184/isj.v5i1.17071.

D. Sartika and D. Indra, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” J. Tek. Inform. Dan Sist. Inf., vol. 1, no. 2, pp. 151–161, 2017.

R. A. Arnomo, W. L. Y. Saptomo, and P. Harsadi, “Implementasi Algoritma K-Nearest Neighbor Untuk Identifikasi Kualitas Air (Studi Kasus : Pdam Kota Surakarta),” J. Teknol. Inf. dan Komun., vol. 6, no. 1, pp. 1–5, 2018.

M. Muhammad, S. Novi, and P. Narti, “Implementasi Metode Simple Additive Weighting(SAW) pada Sistem Pendukung Keputusan dalam Menentukan Prioritas Perbaikan Jalan,” Jur. Tek. Inform., vol. 5, no. 4, pp. 157–162, 2017.

S. F. Ulya, Y. Sukestiyarno, and P. Hendikawati, “Analisis Prediksi Quick Count Dengan Metode Stratified Random Sampling Dan Estimasi Confidence Interval Menggunakan Metode Maksimum Likelihood,” Unnes J. Math., vol. 7, no. 1, pp. 108–119, 2018, doi: 10.15294/ujm.v7i1.27385.

Refbacks

  • There are currently no refbacks.