ANALISIS KETERLAMBATAN PEMBAYARAN UKT MAHASISWA MENGGUNAKAN METODE KLASIFIKASI NAÏVE BAYES DALAM PENDEKATAN DATA SCIENCE

Abstract

Biaya pendidikan mahasiswa atau Uang Kuliah Tunggal (UKT) merupakan komponen penting dalam keberlangsungan operasional perguruan tinggi, khususnya di Perguruan Tinggi Swasta (PTS). Namun, permasalahan keterlambatan pembayaran UKT masih sering terjadi, bahkan pada mahasiswa yang tidak tergolong dalam kategori prasejahtera. Permasalahan ini tidak hanya dipengaruhi oleh faktor kondisi keuangan mahasiswa, tetapi juga kemungkinan faktor lain seperti tingkat keseriusan dalam menjalani perkuliahan, kemampuan akademik mahasiswa, serta potensi penyalahgunaan dana UKT untuk keperluan di luar pendidikan. Oleh karena itu, diperlukan analisis lebih lanjut untuk memahami keterkaitan antara keterlambatan pembayaran UKT dengan karakteristik akademik mahasiswa. Penelitian ini bertujuan untuk menganalisis hubungan antara keterlambatan pembayaran UKT dengan data akademik mahasiswa melalui pendekatan data mining, khususnya dengan membangun model klasifikasi. Data yang digunakan dalam penelitian ini merupakan gabungan antara data transaksi pembayaran UKT dan data akademik mahasiswa reguler aktif. Variabel yang digunakan meliputi waktu perkuliahan, program studi, jumlah SKS kumulatif, Indeks Prestasi Semester (IPS), Indeks Prestasi Kumulatif (IPK), serta tingkat kehadiran mahasiswa pada setiap semester. Label klasifikasi yang digunakan adalah status pembayaran UKT, yaitu “Lancar” dan “Menunda”. Model klasifikasi dibangun menggunakan algoritma Naïve Bayes Classifier dan dievaluasi menggunakan confusion matrix untuk mengukur tingkat kinerja model. Dataset yang digunakan terdiri dari 12.935 data rekaman mahasiswa. Hasil penelitian menunjukkan bahwa model klasifikasi yang dibangun mampu memprediksi potensi keterlambatan pembayaran UKT dengan tingkat akurasi sebesar 59%. Tingkat akurasi tersebut menunjukkan adanya keterkaitan antara data akademik mahasiswa dengan perilaku pembayaran UKT, meskipun masih diperlukan pengembangan model lebih lanjut serta penambahan variabel lain untuk meningkatkan performa prediksi.