{"title":"KOMPARASI METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA","authors":"Abdul Rohman, Muhammad Rochcham","doi":"10.37760/NEOTEKNIKA.V5I1.1379","DOIUrl":null,"url":null,"abstract":"Dalam perguruan tinggi, mahasiswa merupakan komponen sangat penting dalam penyelenggaraan pendidikan terutama dalam penilaian akreditasi perguruan tinggi. Kelulusan mahasiswa yang tepat waktu merupakan tolak ukur keberhasilannya tujuan pembelajaran di perguruan tinggi, maka perlu dilakukan analisis dan prediksi terhadap data kelulusan mahasiswa. Banyak penelitian yang menganalis terhadap data kelulusan mahasiswa dengan teknik data mining dengan objek yang berbeda-beda. Dalam penelitian ini dilakukan perbandingan motede data mining yaitu algoritma neural network, k-nearest neighbor dan Decision Tree yang diaplikasikan pada data kelulusan mahasiswa. Dari hasil pengujian dengan mengukur kinerja ketiga metode tersebut menggunakan cross validation, confusion matrix dan kurva ROC, diketahui bahwa neural network memiliki nilai akurasi yang paling tinggi yakni sebesar 87,32%, diikuti oleh metode algoritma Decision Tree dengan nilai akurasi 83.57%, kemudian metode k-nearest neighbor dengan akurasi 83,66%. Nilai AUC untuk metode neural network menunjukan nilai tertinggi yakni 0,917 dan yang terendah adalah metode Decision Tree yaitu 0,844. Kata Kunci Data Mining, Mahasiswa, algoritma neural network, k-nearest neighbord, Decision Tree","PeriodicalId":107838,"journal":{"name":"Neo Teknika","volume":"57 12","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2019-06-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"4","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Neo Teknika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.37760/NEOTEKNIKA.V5I1.1379","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 4
Abstract
Dalam perguruan tinggi, mahasiswa merupakan komponen sangat penting dalam penyelenggaraan pendidikan terutama dalam penilaian akreditasi perguruan tinggi. Kelulusan mahasiswa yang tepat waktu merupakan tolak ukur keberhasilannya tujuan pembelajaran di perguruan tinggi, maka perlu dilakukan analisis dan prediksi terhadap data kelulusan mahasiswa. Banyak penelitian yang menganalis terhadap data kelulusan mahasiswa dengan teknik data mining dengan objek yang berbeda-beda. Dalam penelitian ini dilakukan perbandingan motede data mining yaitu algoritma neural network, k-nearest neighbor dan Decision Tree yang diaplikasikan pada data kelulusan mahasiswa. Dari hasil pengujian dengan mengukur kinerja ketiga metode tersebut menggunakan cross validation, confusion matrix dan kurva ROC, diketahui bahwa neural network memiliki nilai akurasi yang paling tinggi yakni sebesar 87,32%, diikuti oleh metode algoritma Decision Tree dengan nilai akurasi 83.57%, kemudian metode k-nearest neighbor dengan akurasi 83,66%. Nilai AUC untuk metode neural network menunjukan nilai tertinggi yakni 0,917 dan yang terendah adalah metode Decision Tree yaitu 0,844. Kata Kunci Data Mining, Mahasiswa, algoritma neural network, k-nearest neighbord, Decision Tree
在大学里,学生在教育安排中是一个非常重要的组成部分,尤其是在大学认证评估方面。及时的学生毕业是衡量学生学习目标成功的标准,因此有必要对学生毕业数据进行分析和预测。许多研究分析了学生的毕业数据,并对不同对象的数据挖掘技术进行了分析。在这项研究中,将最先进的数据挖掘方法与学生毕业数据进行比较。通过使用交叉验证、孔子矩阵和ROC曲线来衡量这三种方法的性能,我们发现神经网络的准确率最高是87.32%,然后是83.57%的决定树算法算法,再加上83.66%的k-nearest方法。神经网络的AUC值显示最高的是0.917,最低的是Decision Tree方法,也就是0.844。数据挖掘关键字,学生,神经网络算法,k-nearest邻里,Decision Tree