ANALISA DAN KOMPARASI IMPLEMENTASI DATA MINING UNTUK PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA

Wahyudi, Azis (2024) ANALISA DAN KOMPARASI IMPLEMENTASI DATA MINING UNTUK PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
21.52.1050 Azis Wahyudi.pdf
Download (3MB)

Abstract

Perguruan tinggi memiliki peran penting dalam menyediakan pengetahuan yang diperlukan mahasiswa sebelum memasuki dunia kerja. Keberhasilan sebuah universitas, baik yang negeri maupun swasta, sering kali diukur dari jumlah mahasiswa yang lulus tepat waktu. Penelitian ini bertujuan untuk mengevaluasi implementasi algoritma C4.5, Klasifikasi Naive Bayes, dan K-Nearest Neighbors dalam memodelkan prediksi kelulusan tepat waktu, dengan fokus pada pengukuran akurasi prediksi menggunakan teknik n-Folds Cross Validation. Data akademis yang digunakan dalam penelitian ini mencakup sampel mahasiswa dari Poltekkes Permata Indonesia pada Tahun Akademik 2019/2020. Pendekatan eksperimental diterapkan, di mana metode Klasifikasi C4.5 dibandingkan dengan Naive Bayes dan K-Nearest Neighbors. Proses pelatihan dan pengujian sistem dilakukan menggunakan metode 5-fold Cross Validation, dengan fokus pada pengukuran akurasi, presisi, dan recall sebagai hasil evaluasi. Hasil pengujian kinerja ketiga metode ini menggunakan crossvalidation, matriks kebingungan, dan kurva ROC menunjukkan bahwa C4.5 memiliki akurasi tertinggi, mencapai 85,24%, dengan presisi sebesar 96,03%, recall sebesar 87,32%, dan F1 Score sebesar 91,49%. Pada urutan kedua, K-Nearest Neighbors (KNN) mencapai tingkat akurasi sebesar 84,26%, recall sebesar 86,17%, presisi sebesar 96,43%, F1 Score sebesar 91,01%, dan nilai AUC sebesar 84,6%. Terakhir, Naive Bayes (NB) mencatat tingkat akurasi sebesar 81,31%, recall sebesar 90,41%, presisi sebesar 86,51%, F1 Score sebesar 88,41%, dan nilai AUC sebesar 81,3%. Temuan ini memberikan wawasan tentang efektivitas metode data mining dalam meramalkan kelulusan mahasiswa, dengan C4.5 menunjukkan kinerja optimal dalam konteks ini.

Item Type:

Thesis (S2 - Magister)

Contributor: