Klasifikasi mahasiswa drop out menggunakan metode Naive Bayes dengan seleksi fitur Information Gain

Salah satu indikator penting yang perlu diperhatikan dalam upaya meningkatkan keberlangsungan perguruan tinggi adalah mahasiswa drop out. Banyak faktor yang menyebabkan terjadinya drop out pada mahasiswa. Tingginya angka mahasiswa yang mengalami drop out dapat mempengaruhi kualitas pembelajaran dan akreditasi perguruan tinggi. Akreditasi sangat penting untuk keberlangsungan suatu institusi. Penelitian ini bertujuan untuk mengklasifikasikan mahasiswa drop out dan mengidentifikasi variabel yang paling berpengaruh pada klasifikasi mahasiswa drop out dengan menerapkan algoritma Naive Bayes dan algoritma feature selection Information Gain. Data yang digunakan terdiri dari data mahasiswa aktif dan drop out tahun 2015-2021 di UIN Sunan Ampel Surabaya. Hasil klasifikasi Naive Bayes menunjukkan akurasi 42.67%, presisi 65.14% dan recall 61.83%. Seleksi fitur Information Gain menghasilkan 3 fitur yang paling berpengaruh yaitu SKS, IPS dan Nominal UKT. Dengan menggunakan fitur yang terpilih tersebut hasil klasifikasi Naive Bayes dengan seleksi fitur Information Gain menunjukkan akurasi 89.78%, presisi 88.61% dan recall 83.04%. Hal ini menunjukkan bahwa seleksi fitur dengan Information Gain dapat mengidentifikasi fitur-fitur penting yang berkontribusi terhadap kualitas model klasifikasi dan terjadi peningkatan akurasi yang awalnya 42.67% menjadi 89.78%.