Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma Naïve Bayes Berbasis Particle Swarm Optimization

Authors

  • Hadi Permana Universitas Budi Luhur, Indonesia

DOI:

https://doi.org/10.59188/jurnalsostech.v6i4.32796

Keywords:

Naïve Bayes, Particle Swarm, Optimization, Data Mining

Abstract

Keberhasilan mahasiswa menyelesaikan studi sesuai target waktu menjadi indikator krusial dalam penilaian akreditasi suatu program studi di tingkat perguruan tinggi. Oleh karena itu, kemampuan untuk memperkirakan probabilitas kelulusan tepat waktu sangat dibutuhkan oleh pengelola program studi sebagai dasar pengambilan kebijakan. Studi ini bertujuan untuk membangun model peramalan kelulusan tepat waktu pada mahasiswa Program Studi Arsitektur Universitas Trisakti. Metode yang diaplikasikan adalah Algoritma Naïve Bayes yang diperkuat dengan optimasi Particel Swarm Optimization (PSO). Variabel yang dipakai mencakup dua dimensi, yakni akademik dan sosial. Berdasarkan validasi memakai metode k-fold cross validation, Algoritma Naïve Bayes standalone menghasilkan tingkat akurasi 79,22% dengan nilai AUC 0,859. Di sisi lain, penerapan optimasi PSO sukses mendongkrak performa hingga mencapai akurasi 85,71% dan nilai AUC 0,879. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan algoritma Naïve Bayes yang dioptimasi dengan Particle Swarm Optimization efektif dalam meningkatkan akurasi prediksi kelulusan mahasiswa tepat waktu. Model yang dihasilkan memiliki potensi untuk digunakan sebagai sistem pendukung keputusan dalam pemantauan akademik mahasiswa secara dini.

References

ARGA, D. A. S., LESTARI, U., & SUTANTA, E. (2017). Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritme C4.5 (Studi Kasus: Jurusan Teknik Informatika, Institut Sains & Teknologi Akprind Yogyakarta). Jurnal Risiko, 5(2), 1935–1943.

CHOLISSODIN, I., & DKK. (2016). Buku Ajar Swarm Intelligence, (June), 1–198.

GIAN, F. (2014). Perbandingan Kinerja Metode Klasifikasi Data Mining Menggunakan Naive Bayes dan Algoritma C4.5 untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa.

KAMAGI, D. H., & HANSUN, S. (2014). Implementasi Data Mining dengan Algoritma C4 . 5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. ULTIMATICS, Vol. VI, No. 1 | Juni 2014, VI(1), 15–20.

MUHAMAD, H., PRASOJO, C. A., SUGIANTO, N. A., SURTININGSIH, L., CHOLISSODIN, I., Ilmu, F., … Optimization, P. S. (2017). Optimasi Naive Bayes Classifier dengan Menggunakan Particle Swarm Optimization pada Data Iris. Teknologi Informasi Dan Pendidikan, 4(3), 180–184.

SUPRIYANTI, W., KUSRINI, & AMBOROWATI, A. (2016). Perbandingan kinerja algoritma c4.5 dan naive bayes untuk ketepatan pemilihan konsentrasi mahasiswa. Informa, 1(2012), 46–52. Retrieved from http://www.poltekindonusa.ac.id/wp-content/uploads/2016/07/Vol-1-No3-2016-

TURBAN, E., E. ARONSON, J., & LIANG, T.-P. (2007). Decision Support Systems and Business Intelligence. Decision Support and Business Intelligence Systems, 7/E, 1–35. https://doi.org/10.1017/CBO9781107415324.004

Downloads

Published

2026-04-24

How to Cite

Permana, H. (2026). Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma Naïve Bayes Berbasis Particle Swarm Optimization. Jurnal Sosial Teknologi, 6(4), 1374–1383. https://doi.org/10.59188/jurnalsostech.v6i4.32796

Issue

Vol. 6 No. 4 (2026): Jurnal Sosial dan Teknologi

Section

Articles

License

Copyright (c) 2026 Hadi Permana

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Authors who publish with this journal agree to the following terms:

  • Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA). that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  • Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  • Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.