Penerapan Metode Mutual Information Dan Bayes Network Untuk Klasifikasi Penyelesaian Studi

  • Chusnul Chotimah
Keywords: Penyelesain Studi, Bayes Network, Mutual Information

Abstract

Abstrak. Data jumlah mahasiswa yang lulus tiap tahunnya tidak sebanding dengan jumlah yang mendaftar. Penyelesaian studi setiap mahasiswa dapat disebabkan atau dipengaruhi oleh banyak faktor. Kemungkinan pada beberapa faktor memiliki hubungan (kausalitas) satu dengan yang lain. Mutual Information digunakan untuk menghitung kausalitas antar faktor yang mempengaruhi penyelesaian studi. Hubungan antar faktor untuk membangun model pada penelitian ini digunakan metode Bayes Networs (BN). Metode Bayes Networks merupakan metode pemodelan data berbasis probabilitas yang merepresentasikan suatu himpunan variabel dan conditional dependency melalui Directed Acyclic Graph (DAG). Hasil pengujian dari sistem yang dikembangkan mengunakan data uji sebanyak 128 memiliki tingkat akurasi sebesar 71,09%. Hasil akurasi sistem lebih tinggi dibanding dengan menggunakan  metode Naive Bayes Classifier yaitu sebesar 67,97%.

References

Daftar Pustaka

[1] M. H. Meinanda, M. Annisa, N. Muhandri, and K. Suryadi, “Prediksi masa studi sarjana dengan artificial neural network,” Internetworking Indones. J, vol. 1, no. 2, pp. 31–35, 2009.
[2] M. Laugerman, D. T. Rover, M. C. Shelley, and S. K. Mickelson, “Determining graduation rates in engineering for community college transfer students using data mining,” Int. J. Eng. Educ., vol. 31, no. 6A, p. 1448, 2015.
[3] N. I. K. D. ARIANI, I. W. SUMARJAYA, and T. B. OKA, “ANALISIS FAKTOR-FAKTOR YANG MEMENGARUHI WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN METODE GOMPIT (Studi Kasus: Mahasiswa Fakultas MIPA Universitas Udayana),” E-Jurnal Mat., vol. 2, no. 3, pp. 40–45, 2013.
[4] J. Yingkuachat, P. Praneetpolgrang, and B. Kijsirikul, “An Application of the Probabilistic Model to the Prediction of Student Graduation Using Bayesian Belief Network,” ECTI Trans. Comput. Inf. Technol., vol. 3, no. 1, pp. 63–71, 2007.
[5] A. L. Madsen and U. B. Kjærulff, Bayesian networks and influence diagrams: a guide to construction and analysis. New York: Springer. ISSN, 2013.
[6] G. Shmueli, P. C. Bruce, I. Yahav, N. R. Patel, and K. C. Lichtendahl Jr, Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons, 2017.
[7] C. Chotimah, “Klasifikasi Penyelesaian Studi Mahasiswa Berbasis Bayes Network (Studi Kasus: Universitas Musamus Merauke).” Universitas Gadjah Mada, 2017.
[8] C. Wang, H. Wang, L. Liu, W. Song, and M. Yuan, “Learning Bayesian Network Structure Based on Topological Potential,” J. Inf. &COMPUTATIONAL Sci., vol. 12, no. 9, pp. 3383–3393, 2015.
Published
30-10-2019
Section
Articles