Data preparation Structure untuk Pemodelan Prediktif Jumlah Peserta Ajar Matakuliah

Salah satu cara yang dapat dilakukan untuk menciptakan proses pembelajaran efektif di kelas adalah  dengan cara memprediksi jumlah mahasiswa yang akan mengambil suatu mata kuliah. Prediksi merupakan suatu proses analisis dengan memanfaatkan informasi atau data dimasa lalu untuk menghasilkan suatu perkiraan terhadap suatu kondisi yang akan terjadi di masa mendatang, Proses prediksi dapat dilakukan dengan berbagai teknik, salah satunya yaitu teknik data mining. Dalam melakukan suatu analisis prediksi, tahapan paling utama adalah melakukan persiapan data mentah menjadi data yang berkualitas serta memastikan bahwa data yang diberikan untuk proses seleksi dan transformasi telah bersih yang dikenal dengan data preparation (preparasi data). Tahapan yang dilakukan dalam melakukan preparasi data meliputi data selection (seleksi data), data pre-processing serta data cleaning yang terdiri dari penanganan missing data, penghapusan data duplicate dan feature construction. Skema data preparation diciptakan dan diimplementasikan dengan memanfaatkan Orange Data mining Tools. Hasil dari preparation data diimplementasikan dalam pemodelan analisa prediktif jumlah peserta ajar mata kuliah di Jurusan Informatika dengan menggunakan 4 (empat) algoritma data mining yaitu Naive Bayes, kNN, SVM, dan Neural Network dengan nilai Accuracy, Precision dan Recall cukup tinggi untuk setiap algoritma yang diujikan.