Aplikasi Pengelompokan Mahasiswa Potensial Drop Out Pada STMIK TIME

Abstract

Perguruan tinggi merupakan institusi yang sudah pasti memiliki database dalam jumlah yang besar, misalnya seperti : data akademik, data administrasi dan data mahasiswa. Pola atau pengetahuan dalam pengambilan keputusan bersumber dari data tersebut apabila digali dengan tepat. Data yang dapat digali salah satunya seperti pemahaman informasi pengelompokkan tipe mahasiswa potensial drop out. Hal ini penting untuk diketahui dan dipahami. Memahami pengelompokkan dapat dilakukan dengan pemahaman dan pengungkapan pengetahuan yang dimiliki. Pencegahan kegagalan dalam pengelolaan database merupakan salah satu bagian yang sangat penting bagi manajemen perguruan tinggi. Ukuran keberhasilan atau prestasi mahasiswa dapat dilihat dari Indeks Prestasi (IP) yang mencerminkan seluruh nilai yang diperoleh mahasiswa sampai semester yang sedang berjalan.  Dengan bantuan teknik data mining atau yang disebut dengan penggalian nilai tambah dari data yang berupa informasi dari suatu basis data, seperti algoritma naïve bayes, yang memungkinkan untuk menemukan karakteristik-karakteristik dari nilai prestasi mahasiswa dengan menggunakan data base yang tersedia. Algoritma naive bayes yang baik idealnya menghasilkan kelompok yang berbeda, meskipun dalam praktek pemisahan yang sempurna biasanya tidak bisa dicapai.Collage is an institution that certainly has a large number of databases, such as: academic data, administrative data and student data. Patterns or knowledge in decision making originate from these data if they are explored appropriately. One of the data that can be extracted is the understanding of information on the grouping of potential drop out students. This is important to know and understand. Understanding groupings can be done by understanding and disclosing the knowledge they have. Failure prevention in database management is a very important part of higher education management. The measure of student success or achievement can be seen from the Achievement Index (IP) which reflects all the scores obtained by students until the current semester. With the help of data mining techniques or what is called extracting added value from data in the form of information from a database, such as the Naïve Bayes algorithm, which makes it possible to find the characteristics of student achievement scores using the available data base. A good naive bayes algorithm should ideally produce distinct groups, although in practice perfect separation is usually not achievable. Keyword: Data, Naïve Bayes, Students, Grouping.