KOMPARASI ALGORITMA NAÏVE BAYES, DECISION TREE, ARTIFICIAL NEURAL NETWORK, K- NEAREST NEIGHBOR, DAN SUPPORT VECTOR MACHINE UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA

Amri, Zaenul (2024) KOMPARASI ALGORITMA NAÏVE BAYES, DECISION TREE, ARTIFICIAL NEURAL NETWORK, K- NEAREST NEIGHBOR, DAN SUPPORT VECTOR MACHINE UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 22.55.1222 Zaenul Amri.pdf Download (12MB)

Abstract

Tingkat kelulusan mahasiswa di semua perguruan tinggi dapat diukur dengan melihat lama studinya, baik yang tepat waktu maupun yang terlambat. Sehingga, dengan melihat lama studi tersebut dapat mempengaruhi kualitas program studi di perguruan tinggi. Tujuan penelitian ini adalah menerapkan dan mengkomparasi model algoritma naïve bayes, decision tree, artificial neural network, k- nearest neighbor (K-NN), dan support vector machine (SVM) dalam melakukan prediksi tingkat kelulusan mahasiswa. Dataset yang digunakan dalam penelitian ini berjumlah 807 data mahasiswa fakultas teknik Universitas Hamzanwadi. Teknik analisis data yang digunakan adalah statistic deskriptif dengan menerapkan metode knowledge discovery in database (KDD). Pengujian kelima algoritma tersebut dilakukan dengan tiga kali percobaan menggunakan lima kali formulasi data atau pembagian data training dan testing. Hasil performa akurasi terbaik didapatkan pada percobaan ketiga dengan melakukan optimasi pada dataset menggunakan Teknik SMOTE-ENN dengan pembagian data training 90% dan data testing 10% pada model algoritma KNN dengan hasil evaluasi kinerja model confusion matrik dan kurva ROC yaitu akurasi klasifikasi sebesar 1.00, error akurasi 0.00, dan AUC sebesar 1.00 dan termasuk dalam kategori sangat baik. Adapun dari hasil tersebut menunjukkan bahwa dari dataset yang digunakan lebih cenderung memiliki tingkat kelulusan mahasiswa terlambat dibandingkan dengan tingkat kelulusan tepat waktu yang dipengaruhi oleh faktor internal dan eksternal sehingga Lembaga perlu memberi perhatian lebih terhadap mahasiswa yang diprediksi terlambat untuk meningkatkan IPS di setiap semester dan mengevaluasi dari segi eksternal mahasiswa pada setiap semester, agar dapat meningkatkan kelulusan tepat waktu sesuai rentang waktu yang diharapkan.

Actions (login required)

View Item