Prediksi Kelulusan Mahasiswa Berdasarkan Data Kunjung dan Peminjaman Buku menggunakan Rapid Miner dengan Metode C.45 dan Random Forest

International Research on Big-Data and Computer Technology: I-Robot Pub Date : 2023-09-07 DOI:10.53514/ir.v7i2.410

Romdan Muhamad Ubaidilah

{"title":"Prediksi Kelulusan Mahasiswa Berdasarkan Data Kunjung dan Peminjaman Buku menggunakan Rapid Miner dengan Metode C.45 dan Random Forest","authors":"Romdan Muhamad Ubaidilah","doi":"10.53514/ir.v7i2.410","DOIUrl":null,"url":null,"abstract":"Waktu kelulusan dan ketidakseimbangan antara jumlah pendaftar dan lulusan menjadi perhatian utama perguruan tinggi.Masalah ini menyebabkan penumpukan data mahasiswa yang belum lulus, serta peningkatan kunjungan dan peminjaman bukusetiap harinya. Penelitian ini dilakukan untuk mendapatkan pengetahuan menggunakan teknik klasifikasi dengan memprosesdata guna menemukan pola pada data kelulusan dan transaksi perpustakaan. Pengolahan data menggunakan metode decisiontree dengan algoritma C4.5 dan Random Forest. Atribut non-kelas yang digunakan meliputi IP semester 1-4, jumlah kunjungan,pinjam buku dan status kelulusan. Prosesnya meliputi memuat data, membersihkan data, pemilihan fitur, pemodelan C4.5 andRandom Forest, pengujian akurasi menggunakan confusion matrix. Percobaannya menunjukkan bahwa kedua metode tersebutmemberikan tingkat akurasi prediksi yang cukup tinggi dalam memprediksi kelulusan mahasiswa. Dalam rasio training 90%dan testing 10%, metode C4.5 memiliki akurasi sebesar 94,90%, sementara Random Forest mencapai akurasi sebesar 95,13%.Manfaat dari penelitian ini adalah sebagai sumber pengetahuan strategis bagi program studi untuk memprediksi kelulusanmahasiswa.","PeriodicalId":196584,"journal":{"name":"International Research on Big-Data and Computer Technology: I-Robot","volume":"34 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-09-07","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"International Research on Big-Data and Computer Technology: I-Robot","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.53514/ir.v7i2.410","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Waktu kelulusan dan ketidakseimbangan antara jumlah pendaftar dan lulusan menjadi perhatian utama perguruan tinggi.Masalah ini menyebabkan penumpukan data mahasiswa yang belum lulus, serta peningkatan kunjungan dan peminjaman bukusetiap harinya. Penelitian ini dilakukan untuk mendapatkan pengetahuan menggunakan teknik klasifikasi dengan memprosesdata guna menemukan pola pada data kelulusan dan transaksi perpustakaan. Pengolahan data menggunakan metode decisiontree dengan algoritma C4.5 dan Random Forest. Atribut non-kelas yang digunakan meliputi IP semester 1-4, jumlah kunjungan,pinjam buku dan status kelulusan. Prosesnya meliputi memuat data, membersihkan data, pemilihan fitur, pemodelan C4.5 andRandom Forest, pengujian akurasi menggunakan confusion matrix. Percobaannya menunjukkan bahwa kedua metode tersebutmemberikan tingkat akurasi prediksi yang cukup tinggi dalam memprediksi kelulusan mahasiswa. Dalam rasio training 90%dan testing 10%, metode C4.5 memiliki akurasi sebesar 94,90%, sementara Random Forest mencapai akurasi sebesar 95,13%.Manfaat dari penelitian ini adalah sebagai sumber pengetahuan strategis bagi program studi untuk memprediksi kelulusanmahasiswa.

查看原文本刊更多论文

使用 Rapid Miner、C.45 方法和随机森林根据访问数据和图书借阅情况预测学生毕业情况

毕业时间以及申请人数和毕业生人数之间的不平衡是大学关注的主要问题。这个问题导致未毕业学生数据的积累，以及每天访问量和图书借阅量的增加。本研究通过处理数据来发现毕业数据和图书馆交易的模式，从而利用分类技术获得知识。数据处理采用了 C4.5 算法和随机森林的决策树方法。使用的非类属性包括 IP 学期 1-4、访问次数、借阅图书和毕业状态。整个过程包括加载数据、清理数据、特征选择、C4.5 和随机森林建模、使用混淆矩阵进行准确性测试。实验结果表明，这两种方法在预测学生毕业方面都有相当高的预测准确率。在训练占 90%、测试占 10%的情况下，C4.5 方法的准确率为 94.90%，而随机森林的准确率为 95.13%。这项研究的益处在于为学习课程预测学生毕业提供了战略知识来源。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

International Research on Big-Data and Computer Technology: I-Robot

自引率

0.00%

发文量