PENERAPAN ALGORITMA NAÏVE BAYES DENGAN BACKWARD ELIMINATION UNTUK PREDIKSI WAKTU TUNGGU ALUMNI MENDAPATKAN PEKERJAAN

Abstract

Abstrak Perguruan tinggi memiliki peranan yang signifikan dalam pengembangan kualitas pendidikan manusia. Merancang kurikulum dan strategi pendidikan yang tepat dapat menghasilkan lulusan yang berkualitas. Tracer Study menjadi salah satu metode untuk melacak status pekerjaan alumni setelah lulus dari pendidikannya. Fasilkom Unsika adalah salah satu fakultas yang ada di Universitas Singaperbangsa Karawang. Dari banyaknya jumlah lulusan yang dihasilkan, sejauh ini di Fasilkom Unsika belum pernah dilakukan pelacakan terhadap status pekerjaan alumni. Oleh karena itu pelacakan perlu dilakukan untuk nantinya dilakukan proses Data Mining. Dari proses Data Mining kemudian dihasilkan suatu pengetahuan. Penelitian ini bertujuan untuk memprediksi waktu tunggu alumni mendapatkan pekerjaan dengan menggunakan algoritma Naïve Bayes dan dibandingkan dengan algoritma Naïve Bayes dengan fitur seleksi Backward Elimination. Metodologi Data Mining yang digunakan yaitu Cross-Industry Standard Process for Data Mining (CRISP-DM). Penelitian menggunakan kelas label CEPAT dan LAMBAT dengan menerapkan sembilan skenario K-Folds Cross Validation. Hasilnya menunjukkan bahwa algoritma Naïve Bayes dengan fitur seleksi Backward Elimination meraih performa terbaik dengan nilai Accuracy 68,52% dan Kappa 0,370. Kesimpulan dari penelitian ini yaitu algoritma Naïve Bayes dengan fitur seleksi Backward Elimination terbutki dapat meningkatkan hasil evaluasi pada prediksi waktu tunggu alumni mendapatkan pekerjaan. Abstract Universities have a significant role in developing the quality of human education. Designing the right curriculum and educational strategy can produce quality graduates. Tracer Study is one of the method to track alumni employment status after graduating from education. Fasilkom Unsika is one of the faculties at Singaperbangsa Karawang University. From the large number of graduates produced, so far at Fasilkom Unsika, no tracking has been carried out on the employment status of alumni. Therefore, tracking needs to be done to later carry out the Data Mining process. From the Data Mining process, knowledge is then generated. This study aims to predict the waiting time for alumni employment using the Naïve Bayes algorithm and compared againts the Naive Bayes algorithm with the Backward Elimination selection feature. The Data Mining methodology used is Cross-Industry Standard Process for Data Mining (CRISP-DM). The study used the FAST and SLOW label classes by applying nine scenarios of K-Folds Cross Validation. The results show that the Naïve Bayes algorithm with the Backward Elimination selection feature achieves the best performance with an Accuracy value of 68.52% and Kappa 0.370. The conclusion of this study is that the Naïve Bayes algorithm with the Backward Elimination selection feature is proven to be able to improve the evaluation results in predicting the waiting time for alumni to get a job.