@thesis{thesis,
		author={-  ANWARUDIN},
		title ={PREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA
MEGGUNAKAN METODE NAIVE BAYES CLASSIFICATION DAN
K-NEAREST NEIGHBORS
(Studi Kasus: Program Studi D3 Teknologi Laboratorium Medik
STIKES Guna Bangsa)},
		year={2022},
		url={https://eprints.utdi.ac.id/9633/},
		abstract={Mutu perguruan tinggi dapat dilihat dari tingkat kelulusan mahasiswa tepat waktu.
Prediksi kelulusan mahasiswa ini dapat digunakan sebagai salah satu penunjang
keputusan evaluasi kinerja mahasiswa. Saat ini, program studi (prodi) D3
Teknologi Laboratorium Medik STIKES Guna Bangsa Yogyakarta belum memiliki
tools untuk memprediksi tingkat ketepatan waktu lulus mahasiswa tersebut. Tujuan
penelitian itu yaitu mengevaluasi penerapan algoritma Naive Bayes Classification
dan K-Nearest NEIGHBORS dalam pemodelan prediksi ketepatan waktu lulus
mahasiswa dengan mengukur akurasi hasil prediksi menggunakan teknik skenario
uji n-Folds Cross Validation. Penelitian ini menggunakan data akademik berupa
sampel data mahasiswa program studi D3 Teknologi Laboratorium Medik Tahun
Akademik (TA) 2015/2016 sampai dengan 2018/2019. Penelitian ini menggunakan
pendekatan ekperimen (Experimental) dengan membandingkan metode algoritma
Naive Bayes Classification dengan K-Nearest NEIGHBORS. Pelatihan dan
pengujian sistem dilakukan dengan metode 5-fold Cross Validation dengan
mengukur hasil akurasi, presisi dan recall. Hasil penelitian menunjukkan bahwa
prediksi dengan Naive Bayes Classification pada kasus ini dengan tingkat
performance yaitu akurasi sebesar 96,11 % dengan tingkat presisi sebesar 82,11%
dan Recall sebesar 100,00% dan prediksi dengan menggunakan algoritma KNN
yaitu akurasi sebesar 97,68% dengan tingkat presisi sebesar 100,00% dan Recall sebesar 86,11%. Dengan demikian, KNN merupakan algoritma dengan tingkat
akrasi lebih baik untuk menyelesaikan kasus prediksi ketepatan waktu lulus
mahasiswa Program Studi D3 Teknologi Laboratorium Medik STIKES Guna
Bangsa Yogyakarta.
Kata Kunci: Prediksi ketepatan waktu lulus mahasiswa, Naive Bayes Classification, K-Nearest Neighbors, n-Folds Cross Validation}
		}