ANALISIS POLA PERUBAHAN NILAI MAHASISWA MENGGUNAKAN METODE NAIVE BAYES DAN DECISION TREE
Analisis Perubahan Nilai Mahasiswa
Abstract
Nilai akademik merupakan indikator penting dalam menilai keberhasilan proses pembelajaran di perguruan tinggi. Penelitian ini bertujuan untuk menganalisis pola perubahan nilai mahasiswa dengan memanfaatkan metode klasifikasi berbasis Naive Bayes dan Decision Tree. Permasalahan utama yang diangkat adalah bagaimana kedua algoritma tersebut dapat digunakan untuk mengidentifikasi kecenderungan perubahan nilai mahasiswa berdasarkan jalur ajuan perbaikan nilai, baik melalui program studi maupun dosen pengampu. Data penelitian berupa riwayat nilai mahasiswa dari tahun 2023 hingga 2025, mencakup catatan nilai KHS, nilai baru, serta jalur ajuan perbaikan nilai. Tahapan penelitian meliputi pra-pemrosesan data (normalisasi, pembersihan, dan pembagian data training–testing), pembangunan model klasifikasi, optimasi hyperparameter, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil analisis menunjukkan bahwa kedua metode memiliki tingkat akurasi yang sangat baik, dengan nilai akurasi mencapai 97% untuk Naive Bayes dan 98% untuk Decision Tree. Model Decision Tree unggul dalam memberikan visualisasi pola perubahan nilai, khususnya pada jalur program studi yang menunjukkan konsistensi tinggi dengan precision dan recall sebesar 0,98–0,99. Sementara itu, Naive Bayes lebih efisien dalam proses komputasi dan tetap menunjukkan performa stabil dengan precision dan recall di atas 0,90 pada jalur dosen pengampu. Namun, kelas klaim nilai ke transkrip dan hapus nilai tidak muncul dalam hasil evaluasi, yang mengindikasikan adanya ketidakseimbangan data (class imbalance). Temuan penelitian ini menegaskan perlunya pengayaan data serta penerapan teknik penyeimbangan agar model dapat menggeneralisasi seluruh jenis perubahan nilai secara optimal. Secara praktis, hasil penelitian diharapkan dapat menjadi dasar bagi institusi pendidikan dalam merancang strategi pembelajaran yang lebih adaptif, meningkatkan transparansi dalam pengelolaan akademik, serta memperkuat sistem evaluasi berbasis data.
References
Juniari, N. K., Suwirmayanti, N. L. G. P., & Setiawan, G. H. (2023). Analisis Perbandingan Metode Decision Tree dan Naïve Bayes untuk Prediksi Kelulusan Tepat Waktu Mahasiswa. Seminar & Publikasi ITB STIKOM Bali.
Fauzan, A. S., Purnama Sari, A. I., & Ali, I. (2022). Analisis Perbandingan Algoritma Decision Tree dan Naïve Bayes untuk Mengevaluasi Prestasi Belajar Siswa (Studi Kasus: SMK Al-Musyawirin). JATI, ITN Malang.
Salmawati, Yuyun, & Hazriani. (2022). Klasifikasi Mahasiswa Berpotensi Drop Out Menggunakan Algoritma Naive Bayes dan Decision Tree. Jurnal Ilmiah Ilmu Komputer, Universitas Al Asyariah Mandar.
Febriyanto, E., & Wasilah. (2025). Optimization of Naive Bayes and Decision Tree Algorithms through Bagging and AdaBoost Techniques for Predicting Student Study Success. Jurnal INFOTEL, 17(1), 136–149.
Prayoga, R. A. S., Basatha, R., Akbar, M. S., Elfaiz, E. A., & Putra, C. D. (2025). Application of Naïve Bayes Method for Student Performance Classification. SISTEMASI, 14(2).
Manzali, Y., Akhiat, Y., Barry, K. A., Akachar, E., & El Far, M. (2024). Prediction of Student Performance Using Random Forest Combined With Naïve Bayes. The Computer Journal, 67(8), 2677–2689. Oxford Academic.
Sivasakthi, M., & Padmanabhan, K. R. A. (2022). Prediction of Students Programming Performance Using Naïve Bayesian and Decision Tree. In Soft Computing for Security Applications (pp. 97–106). Springer, Advances in Intelligent Systems and Computing, vol. 1428.
Agustina, F. D., Arif, M., & Ahmad, S. (2025). Systematic Literature Review atas Kinerja Algoritma KNN, Naïve Bayes, dan Decision Tree pada Berbagai Studi Prediksi dan Klasifikasi. Jurnal Jawara Sistem Informasi, 3(1).
Tosun, S., & Kalaycıoğlu, D. B. (2024). Data Mining Approach for Prediction of Academic Success in Open and Distance Education. Journal of Educational Technology & Online Learning, 7(2), 168–176.
• IEEE Explore (2025). Exploring Weka and Python for Educational Data Mining: Naïve Bayes vs Decision Tree.
