Algoritma Klasifikasi C4.5 Berbasis Particle Swarm Optimization Untuk Prediksi Kelulusan Mahasiswa Tepat Waktu

Algoritma Klasifikasi C4.5 Berbasis Particle Swarm Optimization Untuk Prediksi Kelulusan Mahasiswa Tepat Waktu

• By Hariyanto, Dicky;
• Tesis
• 232

Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan program studi pada suatu perguruan tinggi. Pemantauan mahasiswa yang masuk, peningkatan kemampuan mahasiswa, prestasi yang dicapai mahasiswa, rasio kelulusan terhadap jumlah total mahasiswa, dan kompetensi kelulusan seharusnya menjadi perhatian yang sangat serius bagi setiap perguruan tinggi karena merupakan satuan pendidikan yang menjadi terminal akhir bagi setiap orang yang ingin menuju kejenjang pendidikan yang lebih tinggi. Jumlah mahasiswa yang lulus tepat waktu menjadi indicator keberhasilan perguruan tinggi. Dari permasalahan yang ada digunakan metode klasifikasu untuk memprediksi kelulusan mahasiswa tepat waktu yaitu dengan menggunakan dua model, model algoritma klasifikasi C4.5 dan model algoritma klasifikasi C4.5 berbasis Particle Swarm Optimization (PSO) Setalah dilakukan pengujian dengan dua model tersebut didapatkan hasil yaitu algoritma klasifikasi C4.5 menghasilkan nilai akurasi sebesar 76,19% dan nilai AUC sebesar 0,827 dengan tingkat diagnosa Good Classification, namun setelah dilakukan optimasi dengan algoritma klasifikasi C4.5 berbasis Particle Swarm Optimization nilai akurasi sebesar 84,64% dan nilai AUC sebesar 0,840 dengan tingkat diagnosa Good Classification. Sehingga kedua metode tersebut memiliki perbedaan tingkat akurasi sebesar 8,45% dan perbedaan nilai AUC sebesar 0,013.

• Katakunci Kelulusan mahasiswa tepat waktu, algoritma C4.5, Particle Swarm Optimization
• URL http://
• Penerbit ,

REFERENSI

Alrijadjis, & Astrowulan, K. Oprimasi Kontroler PID berbasis Particle Swarm Optimization (PSO) untuk sistem dengan waktu tunda. Hal 1-4

Azwar, S. (2004). Penyusunan Skala Psikologi. Yogyakarta: Pustaka Pelajar.

Gorunescu, Florin (2010). Data mining: Consept and Techniques. Verlag berling Hiedelberg: Springer

Jan, J., & Kamber, M. (2007). Data Mining Concept and Techniques. San Fransisco: Mofgan Kaufan Publisher.

Kusrini, & Luthfi, E., T. (2009) Algoritma data mining. Yogyakarta: Andi Publishihng.

Karamouzis, T.S., & Vrettos, A. (2008) Sentivity Analysis of Neural Netwrok for Identifying the Factors for Collage Students Success. Wolrd Congress on Computer Science and Information Engineering, 978-0-7695-3507-4

Larose, D. T. (2005). Doscovering Knowladge In Data. Canada : Wiley Interscience

Santoso, B. (2007). Data mining teknik pemanfaatan data untuk keperluan bisnis. Yogyakarta: Graha Ilmu

Siregar, A.R (2006). Motivasi Belajar Mahasiswa Ditinjau dari Pola Asuh. Medan: Usu Repository

Susanti, M., & Suryadi, D. (2010). Pengantar Data Mining menggali Pengetahuan dan Bongkahan Data Yogyakarta: C.V Andi Offset

X. Hu, R. Eberhart, and Y. Shi. Recent advances in particle swarm, IEEE Congress on Evolutionary Computation 2004, Porland, Oregon, USA.

X. Hu, R. Eberhart, and Y. Shi. Particle swarm with extended memory for multiobjective optimizxation, IEEE Swarm Intelligence Symposium 2003, Indianapolis, IN, USA.