Prediksi Ketepatan Kelulusan Mahasiswa Diploma dengan Komparasi Algoritma Klasifikasi

Prediksi Ketepatan Kelulusan Mahasiswa Diploma dengan Komparasi Algoritma Klasifikasi

• By Maulana, Muhammad Sony; Sabarudin, Raja; Nugraha, Wahyu;
• Jurnal Nasional Terakreditasi
• 313
• 5

MIK BSI Pontianak merupakan salah satu perguruan tinggi swasta yang memiliki jumlah mahasiswa yang banyak, namun dalam perjalanannya masih terdapat permasalahan yang setiap tahun nya terjadi yaitu permasalahan jumlah kelulusan mahasiswa yang tepat waktu dan terlambat. Jumlah mahasiswa yang lulus tepat waktu menjadi indikator efektifitas dari sebuah perguruan tinggi baik negeri dan swasta. Perguruan tinggi perlu mendeteksi perilaku  dari mahasiswa aktif sehingga dapat dilihat faktor yang menyebabkan mahasiswa tidak lulus tepat waktu. Pada penelitian ini, akan mengkomparasikan atau membandingkan 5 metode data mining untuk menentukan metode mana yang paling optimal dalam menentukan ketepatan kelulusan mahasiswa dengan teknik pengujian T-Test, metode yang dibandingkan adalah metode Decision Tree, Naive Bayes, K-NN, Rule Induction, dan Random Forest. Hasil dari penelitian ini menghasilkan bahwa algoritma Rule Induction dan C4.5 adalah metode yang paling optimal performanya dalam menentukan ketepatan kelulusan mahasiswa diploma AMIK BSI Pontianak

• Katakunci Komparasi, Algoritma Klasifikasi, Ketepatan Kelulusan Mahasiswa, data mining, pengujian T-Test
• URL http://jurnal.untan.ac.id/index.php/justin/article/view/33316
• Penerbit Jurnal Sistem dan Teknologi Informasi (JUSTIN), Pontianak Kalimantan Barat

REFERENSI

Bramer, M. “Principles of Data Mining”. London: Springer-Verlag. 2006.

Ernastuti, S. &. “Graduation Prediction of Gunadarma University Students Using Algorithm and Naive Bayes C4.5 Algoritmh”. 2010.

Gorunescu, F. “Data Mining Concepts Models and Techniques”. Craiova: Springer. 2011.

Han, & Kamber. “Data Mining Concepts and technique”. San Francisco: Diane Cerra. 2006

Hastuti, K. “Analisis Komparasi Algoritma Klasifikasi Data Mining V”. Seminar Nasional Teknologi Informasi & Komunikasi Terapan(979 - 26 - 0255 - 0), 241249. Juni 2012.

Kalyankar, Q. &. “Drop Out Feature of Student Data forAcademic Performance Using Decision Tree techniques”. Global Journal of Computer Science and Technology, 2-4. 2010.

Tahyudin, I. “ Comparing Clasification Algorithm Of Data Mining to Predict the Graduation Students on Time”. Information Systems International Conference (ISICO). Desember 2013.

Vercellis. “Business Intelligence: Data Mining and Optimization for Decision Making Decision Making”. John Willey & Sons Inc: Southern Gate. 2009.

Vrettos, K. &. “ Sentivity Analysis of Neural Network for Identifying the Factors for Collage Students Success”. World Congress on Computer Science and Information Engineering. (978-0-7695-3507-4). 2009.

Witten, I. H., Frank, E., & Hall, M. A. (2011). Data mining: Practical Machine Learning Tools and Techniques (The Morgan Kaufmann series in data management systems). Morgan Kaufmann Publishers is an imprint of Elsevier. Burlington. 2011.

Gorunescu, F. Data mining: concepts and techniques. Springer-Verlag. Berlin. 2011.

García, S., Fernández, A., Luengo, J., & Herrera, F. Advanced nonparametric tests for multiple comparisons in the design of experiments in computational intelligence and data mining: Experimental analysis of power. Information Sciences, 180(10), 2044–2064. 2010

Attenberg, J., & Ertekin, S. (2013). Class Imbalance and Active Learning. In H. He, & Y. Ma, Imbalanced Learning: Foundations, Algorithms, and Applications, New Jersey: John Wiley & Sons. pp. 101-149