Many parameters affect the timeliness of student graduation, starting from the student's interest in certain majors, the type of class chosen, to the grades for each semester obtained. This is a determining factor in how students can graduate on time or not at the end of their education. So a model is needed to predict student graduation rates on time, using alumni data whose data is obtained from several universities in Palembang City. The model used is a Naïve Bayes algorithm which serves as a model for classification. The dataset used is alumni data that has been collected from several universities, while the attributes used are the Department, College, Class Type, Temporary IP Value from semester 1 to 4, graduation year, and college generation. Then from the attributes and models used, the researcher used the Python 3 programming language and the Jupyter Notebook tools to process the prepared dataset. Furthermore, the distribution of the dataset is divided by 70% for training data and 30% for testing data. To test the algorithmic process used by researchers using K-Fold Validation. The results of this study are the accuracy of the prediction model carried out, where the accuracy results obtained from the Python 3 programming language and the Naïve Bayes algorithm are 0.8103.

Dalam melakukan proses klasifikasi terhadap prediksi kelulusan mahasiswa, ada banyak faktor dan kriteria dalam mengukur kelulusan mahasiswa tersebut, serta menentukan mahasiswa tersebut tepat atau tidaknya menyelesaikan studi. Oleh sebab itu, maka dibutuhkan suatu metode klasifikasi untuk melakukan pengukuran terhadap data prediksi kelulusan tepat waktu, penulis menggunakan dataset yang berasal dari beberapa perguruan tinggi tersebar di Kota Palembang. Model yang digunakan ini menggunakan Decision Tree yang berfungsi sebagai salah satu metode untuk melakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan berasal dari perguruan tinggi di Kota Palembang, sedangkan kriteria untuk melakukan poses klasifikasi adalah jurusan, perguruan tinggi setiap mahasiswa, jenis kelas pilihan, dan nilai setiap mahasiswa yang diambil mulai dari semester awal sampai semester ke 4, lalu ada data tahun kelulusan mahasiswa tersebut, beserta data tahun masuk dari mahasiswa tersebut. Setelah peneliti menentukan atribut data yang akan mejadi bagian dari proses klasifikasi, peneliti memilih menggunakan alat bantu Rapidminer dalam mengelola data klasifikasi dengan model decision tree. Proses berikutnya penguji menggunakan 5 kali proses uji K-Fold Validation dengan membagi dataset ke dalam training dan testing. Hasil penelitian ini merupakan akurasi dari hasil klasifikasi terhadap peridiksi yang didapat dari alat bantu Rapidminer dan metode Decision Tree yang memiliki hasil akurasi sebesar 87.93%.

Banyak teknik pengukuran dalam prediksi mahasiswa tepat waktu, kriteria yang digunakan mulai dari jurusan, jenis kelas dan nilai semester mahasiswa yang merupakan salah satu penentu bagaimana mahasiswa bisa lulus tepat waktu atau tidak di akhir pendidikannya. Maka dibutuhkan suatu model untuk melakukan prediksi tingkat kelulusan mahasiswa tepat waktu, dengan menggunakan data alumni yang datanya didapat dari beberapa Perguruan Tinggi di Kota Palembang. Model yang digunakan ini menggunakan algoritma Naïve Bayes yang berfungsi sebagai salah satu model untuk melakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan dari beberapa Perguruan Tinggi, sedangkan kriteria dan attribut yang digunakan adalah jurusan, Perguruan Tinggi setiap mahasiswa, jenis kelas pilihan dan nilai setiap semester mahasiswa yang diambil dari semester 1 sampai dengan 4, tahun lulus setiap mahasiswa, dan angkatan pada saat mahasiswa masuk. Lalu dari attribut dan model yang digunakan, peneliti menggunakan alat bantu utnuk mengelola data yaitu Rapidminer untuk melakukan pemrosesan dataset yang sudah disiapkan. Selanjutnya penguji menggunakan 5 kali uji validasi dengan membagi dataset kedalam training dan testing. Hasil penelitian ini merupakan akurasi dari model prediksi yang dilakukan, yang dimana hasil akurasi yang didapat dari alat bantu Rapidminer dan algoritma Naïve Bayes adalah 0.8264.

Dalam melakukan proses klasifikasi terhadap prediksi kelulusan mahasiswa tepat waktu adabanyak, kriteriayang digunakan mulai dari jurusan, jenis kelas dan nilai semester mahasiswa yang merupakan salah satu faktordalam menentukan mahasiswa tersebut tepat atau tidaknya menyelesaikan studi. Maka dibutuhkan suatu modeluntuk melakukan kelasifikasi terhadap hasil prediksi tingkat kelulusan mahasiswa tepat waktu, denganmenggunakan dataset alumni yang datanya didapat dari beberapa kampus di Kota Palembang. Model yangdigunakan ini menggunakan Support Vector Machine (SVM) yang berfungsi sebagai salah satu model untukmelakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan dari beberapaUniversitas atau Institusi yang ada di Kota Palembang, sedangkan kriteria untuk melakukan poses klasifikasiadalah jurusan, Perguruan Tinggi setiap mahasiswa, jenis kelas pilihan dan nilai setiap semester mahasiswa yangdiambil dari semester 1 sampai dengan 4, tahun lulus setiap mahasiswa, dan angkatan pada saat mahasiswa masuk.Lalu dari attribut dan model yang digunakan, peneliti menggunakan alat bantu utnuk mengelola data yaituRapidminer untuk melakukan pemrosesan dataset yang sudah disiapkan. Selanjutnya penguji menggunakan 5 kaliproses uji K-Fold Validation dengan membagi dataset kedalam training dan testing. Hasil penelitian ini merupakanakurasi dari hasil klasifikasi terhadap peridiksi yang didapat dari alat bantu Rapidminer dan model Support VectorMachine (SVM) yang memiliki hasil akurasi sebesar 85.06%.