PREDIKSI STATUS AKADEMIK MAHASISWA BERDASARKAN DATA PEMBAYARAN DENGAN NAIVE BAYES DAN PARTICLE SWARM OPTIMIZATION
DOI:
https://doi.org/10.36595/jire.v8i2.1756Keywords:
Data Mining, Keterlambatan Pembayaran, Naive Bayes, Particle Swarm Optimization, Prediksi Status AkademikAbstract
Pendidikan tinggi di Indonesia menghadapi tantangan dalam pengelolaan pembayaran mahasiswa, di mana keterlambatan dapat berdampak pada status akademik, termasuk risiko cuti atau pengunduran diri. Penelitian ini bertujuan mengembangkan model prediksi status akademik berbasis data pembayaran kuliah dengan metode Naive Bayes (NB) yang dioptimasi menggunakan Particle Swarm Optimization (PSO). Dataset berjumlah 15.697 record mahasiswa yang telah melalui pra-pemrosesan, termasuk penanganan nilai hilang dan pengkodean atribut kategorikal. Hasil menunjukkan bahwa model NB menghasilkan akurasi 98,83%, precision 98,21%, recall 65,09%, dan AUC 0,905. Optimasi dengan PSO meningkatkan recall menjadi 65,13% dan AUC menjadi 0,907, sementara akurasi dan precision tetap stabil. Analisis fitur mengindikasikan bahwa Jenis Kelamin, Jurusan SLTA, dan Kuliah Sambil Bekerja merupakan atribut paling berpengaruh, sedangkan Pekerjaan Ayah relatif kurang signifikan. Temuan ini menegaskan potensi NB-PSO sebagai pendekatan prediktif untuk mendukung pengelolaan administrasi akademik yang lebih efektif.
Downloads
References
[1] Sumarna, I. Nawawi, Suhardjono, Hari Sugiarto, and D. Yuliandari, “MENINGKATKAN AKURASI PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE ALGORITMA GENETIKA,” J. Inform. Manaj. dan Komput., vol. 16, no. 2, 2024, doi: http://dx.doi.org/10.36723/juri.v16i2.706.
[2] W. Widayani and H. Harliana, “Analisis Support Vector Machine Untuk Pemberian Rekomendasi Penundaan Biaya Kuliah Mahasiswa,” J. Sains dan Inform., vol. 7, no. 1, pp. 20–27, 2021, doi: 10.34128/jsi.v7i1.268.
[3] M. J. Budiman and Fanny Jouke Doringin, “PENERAPAN ALGORITMA C5.0 DALAM MEMPREDIKSI KETERLAMBATAN PEMBAYARAN BIAYA KULIAH DI UNKRISWINA SUMBA,” J. Ilmu Komput. Revolusioner, vol. 8, no. 6, 2024.
[4] M. Mubarokah, D. Aditya Nugraha, and A. Yunus, “Penerapan Algoritma C4.5 dalam Memprediksi Keterlambatan Pembayaran Sumbangan Pembinaan Pendidikan,” J. Ris. Mhs. Bid. Teknol. Inf., vol. 7, no. 1, pp. 1–5, 2024, [Online]. Available: https://ejournal.unikama.ac.id/index.php/JFTI.
[5] H. Umar, R. Kusumawati, M. Imamudin, and M. A. Rohman, “Klasifikasi Keterlambatan Pembayaran Sumbangan Pembinaan Pendidikan Menggunakan Algoritma Naïve Bayes dan Support Vector Machine,” TIN Terap. Inform. Nusant., vol. 4, no. 11, pp. 709–718, 2024, doi: 10.47065/tin.v4i11.4969.
[6] N. Y. L. Gaol, “Prediksi Mahasiswa Berpotensi Non Aktif Menggunakan Data Mining dalam Decision Tree dan Algoritma C4.5,” J. Inf. Teknol., vol. 2, pp. 23–29, 2020, doi: 10.37034/jidt.v2i1.22.
[7] H. Nurdin, I. Nawawi, A. Wuryanto, D. Yuliandari, and H. Sugiarto, “Prediksi Keterlambatan Pembayaran Mahasiswa untuk Mitigasi Risiko Cuti Menggunakan SVM Optimasi PSO,” J. Apl. Sains, Inf. , Elektron. dan Komput., vol. 7, no. 1, pp. 1–11, 2025, doi: https://doi.org/10.26905/jasiek.v7i1.15483.
[8] Ridwansyah, M. Iqbal, H. Destiana, Sugiono, and A. Hamid, “Data Mining Berbasis Machine Learning Untuk Analitik Prediktif Dalam Kelulusan,” semanTIK, vol. 10, no. 2, pp. 1–10, 2024, doi: https://doi.org/10.55679/semantik.v10i2.67.
[9] W. Li, “Design of Financial Crisis Early Warning Model Based on PSO-SVM Algorithm,” Math. Probl. Eng., pp. 1–8, 2022, doi: https://doi.org/10.1155/2022/3241802.
[10] N. W. D. Ayuni, N. N. Lasmini, and K. C. Dewi, “Predicting financial distress of property and real estate companies using optimized support vector machine-particle swarm optimization (SVM-PSO),” Bull. Soc. Informatics Theory Appl., vol. 8, no. 1, pp. 97–106, 2024.
[11] S. Anam, M. R. A. Putra, Z. Fitriah, I. Yanti, N. Hidayat, and D. M. Mahanani, “Health Claim Insurance Prediction Using Support Vector Machine With Particle Swarm Optimization,” BAREKENG J. Ilmu Mat. dan Terap., vol. 17, no. 2, pp. 0797–0806, 2023, doi: 10.30598/barekengvol17iss2pp0797-0806.
[12] A. H. Kahfi, T. Prihatin, Yudhistira, A. Sudradjat, and G. Wijaya, “THE RIGHT STEPS TOWARDS GRADUATION: NB-PSO SMART COMBINATION FOR STUDENT GRADUATION PREDICTION,” J. Tek. Inform., vol. 5, no. 2, pp. 607–614, 2024, doi: https://doi.org/10.52436/1.jutif.2024.5.2.1889.
[13] T. Azhima, Y. Siswa, and W. J. Pranoto, “Implementasi Seleksi Fitur Information Gain Ratio Pada Algoritma Random Forest Untuk Model Data Klasifikasi Pembayaran Kuliah,” Din. Inform., vol. 15, no. 1, pp. 41–49, 2023.
[14] T. A. Y. Siswa and R. P. Wibowo, “Komparasi Metode Seleksi Fitur Dalam Prediksi Keterlambatan Pembayaran Biaya Kuliah,” Teknika, vol. 12, no. 1, pp. 73–82, 2023, doi: 10.34148/teknika.v12i1.601.
[15] M. R. Akhmad and T. A. Y. Siswa, “Implementasi K-Nearest Neighbor Dalam Memprediksi Keterlambatan Pembayaran Biaya Kuliah Di Perguruan Tinggi,” Progresif J. Ilm. Komput., vol. 18, no. 2, p. 185, 2022, doi: 10.35889/progresif.v18i2.921.
[16] A. Hamid and Ridwansyah, “Optimizing Heart Failure Detection?: A Comparison between Naive Bayes and Particle Swarm Optimization,” Paradigma, vol. 26, no. 1, pp. 30–36, 2024, doi: https://doi.org/10.31294/p.v26i1.3284.
[17] Max Bramer, Principles of Data Mining. Springer London, 2020.
[18] S. Mirjalili, Nature-Inspired Optimizers: Theories, Literature Reviews and Applications. Springer, 2019.
[19] H. Nurdin, Suhardjono, A. Wuryanto, D. Yuliandari, and H. Sugiarto, “Naive Bayes and Particle Swarm Optimization in Early Detection Of Chronic Kidney Disease,” J. Tek. Inform., vol. 5, no. 3, pp. 703–708, 2024, doi: https://doi.org/10.52436/1.jutif.2024.5.3.1750.
[20] J. Han, J. Pei, and H. Tong, Data Mining: Concepts and Techniques, (4th ed.). Morgan Kaufmann, 2022.
[21] C. C. Aggarwal, Data Mining: The Textbook. Springer International Publishing, 2015.
[22] V. Riyanto, H. Destiana, T. Prihatin, Sugiono, and G. Wijaya, “MENGOPTIMALKAN PREDIKSI GAGAL JANTUNG DENGAN KOMBINASI,” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 8, no. 1, pp. 103–111, 2025, doi: https://doi.org/10.36595/jire.v8i1.1541.
[23] S. Sartini, S. Sumarna, A. Hamid, A. H. Kahf, and Nicodias Palasar, “REVOLUSI DIAGNOSIS?: OPTIMASI RANDOM TREE-PSO UNTUK PENYAKIT GINJAL KRONIS,” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 8, no. 1, pp. 149–158, 2025, doi: https://doi.org/10.36595/jire.v8i1.1542.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
