Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir

Abstract

Mahasiswa tingkat akhir adalah seorang pelajar yang sedang berjuang demi mendapat gelar sarjana dan memilih tujuan hidup dengan tugas yang baru seperti pekerjaan yang sesuai dengan minat dan bakatnya. Untuk mendapatkan tingkat kelulusan dengan baik dan tepat waktu. Mahasiswa sangat bergantung pada pengaruh dari faktor dalam dan luar kampus. Pemilihan dan penentuan data yang digunakan, diambil dari data publik. Dengan 379 orang mahasiswa tahap akhir sebagai responden. Pengujian ini membandingkan algoritma K-NN, NBC, dan SVM yang lebih baik menyelesaikan masalah terkait prediksi tingkat kelulusan mahasiswa pascasarjana. Berdasarkan perbandingan algoritma tersebut dengan teknik splitting data, didapatkan bahwa Algoritma K-NN (K-Nearest Neighbor) memiliki rata-rata lebih tinggi dibandingkan (NBC) Naïve Bayes Classifier dan SVM (Support Vector Machine) untuk prediksi kelulusan mahasiswa tingkat akhir dengan akurasi 87,8%, presisi 87,8%, dan recall 84%.