Syntax Literate: Jurnal Ilmiah Indonesia p�ISSN: 2541-0849

e-ISSN: 2548-1398

Vol. 6, No. 10, Oktober 2021

��������������������������������������������������������

PENGGUNAAN METODE DECISION TREE UNTUK MENDETEKSI KETERLAMBATAN MASA STUDI MAHASISWA DIPERGURUAN TINGGI BREBES

 

Nur Ariesanto Ramdhan, Abdul Khamid

Fakultas Teknik Universitas Muhadi Setiabudi (UMUS) Brebes, Jawa Tengah, Indonesia

Email:[email protected], [email protected]

 

Abstrak

Keberhasilan masa studi dalam pengelolaan suatu akademik diperguruan Tinggi salah satu diantaranya adalah ketepatan mahasiswa dalam menempuh studinya.Masih banyaknya mahasiswa yang tidak lulus tepat waktu merupakan masalah yang serius bagi suatu perguruan tinggi. Mengetahui permasalahan itu diperlukan pengolahan data akademik untuk mendapatkan pola atau pengetahuannya untuk mengambil suatu keputusan. Melalui Educational Data Mining (EDM) merupakan penerapan metode Datamining dalam menganalisis data yang tersedia dan dapat digunakan sebagai salah satu pendekatan yang dapat dilakukan. Melalui data akademik kelulusan pada mahasiswa Program Studi Teknik Sipil Universitas Muhadi Setiabudi dapat diperoleh suatu pohon keputusan beserta aturannya untuk dapat memprediksi masa studi mahasiswa, data yang digunakan untuk merancang pohon keputusan ini terdiri dari 1 special atribut (atribut kelulusan) dan 12 atribut regular (JK, status kerja, umur, IPS1, IPS2, IPS3, IPS4, IPS5, IPS6, IPS7, IPS8, IPK). Dalam membuat analisa data menggunakan Algoritma C4.5 dengan menggunakan 77 sampel, dari hasil yang didapatkan terlihat bahwa model keputusan dengan siswa yang dalam lulus tepat waktu adalah mahasiswa yang memiliki tingkat nilai akurasi sebanyak 98.00%, dengan presisi terlambat 95.45% dan tepat 100%, Class recall terlambat 100%, dan recall tepat 96.55%. Pengujian dengan rapidminer terbukti efektif dan fleksibel dengan hasil perhitungan yang tepat.

 

Kata Kunci: masa studi mahasiswa; data mining; algoritma C4.5; pohon keputusan.

 

Abstract

One of the successes study periods in the management of an academic university is the students' accuracy in taking their studies. There are still many students who do not graduate on time is a serious problem for a university. Knowing the problem requires processing academic data to get the pattern or knowledge to make a decision. Educational Data Mining (EDM) is an application of the Datamining method in analyzing the available data and can be used as one approach that can be done. Through graduation, academic data on students of the Civil Engineering Study Program, Muhadi Setiabudi University, a decision tree, and its rules can be obtained to predict the student's study period, and the data used to design this decision tree consists of 1 special attribute (graduation attribute) and 12 regular attributes (JK, working status, age, IPS1, IPS2, IPS3, IPS4, IPS5, IPS6, IPS7, IPS8, GPA). In making data analysis using the C4.5 Algorithm using 77 samples, the results obtained show that the decision model with students who graduate on time are students who have an accuracy value of 98.00%, with 95.45% late precision and 100% correct, Class recall is 100% late, and recall is appropriate 96.55%. Testing with rapid miner is proven to be effective and flexible with precise calculation results.

 

Keywords:studies; data mining; algorithm C4.5; Decision tree

 

Received: 2021-09-20; Accepted: 2021-10-05; Published: 2021-10-20

 

Pendahuluan

Perkembangan teknologi informasi yang begitu maju sangat di butuhkan dalam menentukan suatu keputusan, hal ini menjadikan informasi sebagai suatu sarana untuk menganalisa. Dalam menganalisa diperlukan suatu data sebagai bahan pertimbangan dari informasi (Sutabri, 2012). Dengan menggunakan data mining kumpulan data dapat memberikan informasi yang penting bagi suatu organisasi. Perguruan tinggi dengan jumlah mahasiswa yang banyak harus dapat dimbangi dengan kualitas sistem pendidikan yang diberikan kepada mahasiswa. Salah satu faktor yang menentukan kualitas perguruan tinggi adalah persentase kemampuan mahasiswa untuk menyelesaikan masa studi secara tepat waktu. Tingginya persentasi mahasiswa yang tidak mampu menyelesaikan masa studinya secara tepat waktu maka akan menyebabkan berbagai masalah yang berkaitan dalam kegagalan studi mahasiswa seperti meningkatnya status mahasiswa non aktif di lingkungan perguruan tinggi (Rismayanti, 2018). Hal ini penting untuk meningkatkan pelayanan yang dapat membuat mahasiswa nyaman dan bisa lulus tepat waktu. Penggunaan data mining dapat digunakan sebagai bahan pertimbangan dalam mengambil keputusan lebih lanjut tentang faktor yang mempengaruhi kelulusan mahasiswa dalam menyelesaikan masa studi secara tepat waktu sehingga dapat mencegah secara dini kegagalan akademik mahasiswa (Nofriansyah, Kom, & Kom, 2015).

Datamining merupakan suatu cara dalam menggali informasi dari sejumlah data yang biasanya tersimpan dalam repositori dengan menggunakan teknologi pengenalan pola, statistik dan teknik matematika (Siregar, Kom, Puspabhuana, Kom, & Kom, 2017). Penerapan metode datamining dalam menganalisis data yang tersedia di lembaga pendidikan didefinisikan sebagai Educational Data Mining (EDM) (Romero & Ventura, 2010) EDM menggunakan beberapa teknik seperti Decision Trees, Neural Networks, Na�ve Bayes, K-Nearest Neighbor dan lainnya (Yadav & Pal, 2012). Pengetahuan yang didapatkan dari pengolahan datamining dapat digunakan untuk menawarkan suatu rekomendasi kepada perencana akademik di lembaga pendidikan tinggi dalam meningkatkan proses pengambilan keputusan (decision making), meningkatkan kinerja akademik dan memangkas tingkat kegagalan siswa serta lebih memahami perilaku para siswa (Abu Tair & El-Halees, 2012). Hal tersebut merupakan tujuan yang ingin dicapai dalam pemanfaatan data mining di bidang pendidikan.

Penelitian mengenai data mining pada lembaga pendidikan telah banyak dilakukan oleh para peneliti. Algoritma C4.5 merupakan algoritma klasifikasi pohon keputusan yang banyak digunakan karena memiliki kelebihan utama dari algoritma yang lainnya (Kamagi & Hansun, 2014). Kelebihan algoritma C4.5 dapat menghasilkan pohon keputusan yang mudah diinterprestasikan memiliki tingkat akurasi yang dapat diterima, efisien, dalam menangani atribut bertipe deskret dan numerik. Metode data mining dengan algoritma C45 merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi atau segmentasi atau pengelompokan dan bersifat prediktif (Rosandy, 2016). Klasifikasi merupakan salah satu proses pada datamining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif besar hingga sangat besar (Harianto & Rosiyadi, 2020). Pada penelitian ini algoritma C4.5 diusulkan untuk memprediksi masa studi mahasiswa di perguruan tinggi wilayah Brebes (Rahman, 2020). Tujuan penelitian ini adalah untuk mengetahui prediksi masa studi mahasiswa di Universitas Muhadi Setia Budi Brebes.

 

Metode Penelitian

Metode penelitian yang dilakukan adalah metode penelitian eksperimen (Jaedun, 2011). Data dikumpulkan ialah data identitas mahasiswa dan data KRS, selanjutnya diolah (preprocessing) dengan penerapan data integrasi dan data reduction, metode menggunakan decission tree dengan algoritma C4.5 pengujian dilakukan dengan menggunakan sebagian data untuk training dan sebagian lagi evaluasi dilakukan dengan mengamati hasil prediksi menggunakan algoritma C4.5 dan validasi dilakukan dengan mengukur hasil prediksi dibandingkan dengan data asal.

 

Hasil dan Pembahasan

Masa studi adalah masa atau lamanya studi yang terjadwal dan harus dijalankan oleh mahasiswa dengan rentang waktu yang disyaratkan dengan beban sks yaitu 144 sks, dengan rentang waktu 8 semester normalnya dan selambatnya 14 semester. Namun masa studi mahasiswa tidak bisa diprediksi sejak awal, oleh karena itu perlu adanya teknik prediksi dengan menggunakan metode Decision tree dengan algoritma C4.5. Hasil pre-processing pada penelitian ini menggunakan dua langkah pre-processing yaitu data intergration dan reduction.

1.    Data Integration (proses penggabungan dari database yang berbeda)

Data set pada peneltian ini adalah database TS angkatan 2014-2015 dan 2015-2016.

2.    Data reduction

Mereduksi atau menghilangkan atribut yang tidak diperlukan akan tetapi tidak mengurangi penyajian analistiknya. Berikut data integration dan hasilreduksi data yang telah dilakukan dengan menggunakan Software Rapidminer.

 

 

 

Tabel 1

Data Awal Mahasiswa

ID

JK

STATUS KERJA

UMUR

IPS 1

IPS 2

IPS 3

IPS 4

IPS 5

IPS 6

IPS 7

IPS 8

IPK

STATUS KELULUSAN

1

LAKI-LAKI

BEKERJA

24

2,70

2,91

1,00

1,00

1,00

1,00

1,00

0,00

1,33

TERLAMBAT

2

LAKI-LAKI

BEKERJA

23

2,90

3,41

3,39

3,19

2,80

3,00

3,00

0,00

2,71

TEPAT

3

PEREMPUAN

MAHASISWA

24

3,40

3,68

3,35

3,52

3,45

3,16

3,43

0,00

3,00

TEPAT

4

PEREMPUAN

MAHASISWA

22

3,10

3,64

3,83

3,38

3,20

2,32

3,43

0,00

2,86

TEPAT

5

PEREMPUAN

BEKERJA

23

3,30

3,68

3,39

3,48

3,35

3,29

2,95

0,00

2,93

TEPAT

6

LAKI-LAKI

BEKERJA

25

2,90

3,36

3,35

2,81

3,00

2,84

3,00

0,00

2,66

TEPAT

7

LAKI-LAKI

BEKERJA

25

3,30

3,59

3,35

3,38

2,75

2,74

3,14

0,00

2,78

TEPAT

8

LAKI-LAKI

MAHASISWA

25

2,80

3,59

1,00

1,00

1,00

1,00

1,00

0,00

1,42

TERLAMBAT

9

LAKI-LAKI

MAHASISWA

24

1,80

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,98

TERLAMBAT

10

LAKI-LAKI

MAHASISWA

25

3,20

3,27

3,13

3,00

2,50

2,84

3,29

0,00

2,65

TERLAMBAT

11

LAKI-LAKI

MAHASISWA

25

3,00

3,45

3,30

2,90

3,05

3,11

3,29

0,00

2,76

TERLAMBAT

12

PEREMPUAN

BEKERJA

25

3,20

3,77

3,26

3,43

2,70

3,11

3,00

0,00

2,81

TEPAT

13

PEREMPUAN

BEKERJA

23

3,10

3,50

3,35

3,38

3,15

3,11

3,29

0,00

2,86

TEPAT

14

PEREMPUAN

MAHASISWA

24

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,88

TERLAMBAT

15

LAKI-LAKI

BEKERJA

23

2,90

3,14

2,91

3,05

3,00

3,00

3,57

0,00

2,70

TEPAT

16

LAKI-LAKI

BEKERJA

23

2,90

3,05

2,52

2,90

2,90

3,00

3,29

0,00

2,57

TERLAMBAT

17

LAKI-LAKI

BEKERJA

24

3,00

3,25

3,00

3,05

2,85

3,00

3,00

0,00

2,64

TEPAT

18

LAKI-LAKI

BEKERJA

25

2,90

2,23

2,36

2,50

1,00

1,00

1,00

0,00

1,62

TERLAMBAT

19

LAKI-LAKI

MAHASISWA

25

2,50

2,36

1,00

1,00

1,00

1,00

1,00

0,00

1,23

TERLAMBAT

20

LAKI-LAKI

BEKERJA

28

3,40

3,59

3,78

3,71

3,45

2,79

3,43

0,00

3,02

TEPAT

21

PEREMPUAN

BEKERJA

25

2,80

3,00

3,26

3,14

3,00

2,79

3,29

0,00

2,66

TEPAT

22

LAKI-LAKI

BEKERJA

24

2,70

3,50

3,35

3,29

2,95

3,16

3,14

0,00

2,76

TEPAT

23

LAKI-LAKI

MAHASISWA

25

3,00

3,18

3,13

2,90

2,85

3,00

3,00

0,00

2,63

TEPAT

24

LAKI-LAKI

BEKERJA

26

2,90

1,59

3,00

3,19

2,90

2,53

3,14

0,00

2,41

TERLAMBAT

25

LAKI-LAKI

MAHASISWA

23

3,00

3,41

3,26

3,48

3,25

3,26

3,17

0,00

2,85

TEPAT

26

PEREMPUAN

BEKERJA

22

2,90

3,59

3,35

3,14

3,10

3,11

3,43

0,00

2,83

TEPAT

27

LAKI-LAKI

BEKERJA

28

3,10

3,64

3,57

3,29

3,10

3,11

3,43

0,00

2,91

TEPAT

28

LAKI-LAKI

BEKERJA

24

3,20

3,82

3,26

3,43

3,15

3,00

3,29

0,00

2,89

TEPAT

29

PEREMPUAN

BEKERJA

24

3,00

3,77

3,48

3,48

3,35

2,63

3,43

0,00

2,89

TEPAT

30

LAKI-LAKI

BEKERJA

30

2,50

3,41

3,35

3,05

2,90

2,89

3,00

0,00

2,64

TEPAT

31

LAKI-LAKI

MAHASISWA

25

2,90

2,77

1,00

1,00

1,00

1,00

1,00

0,00

1,33

TERLAMBAT

32

LAKI-LAKI

MAHASISWA

24

0,50

2,32

1,00

1,00

1,00

1,00

1,00

0,00

0,98

TERLAMBAT

33

LAKI-LAKI

MAHASISWA

24

2,50

1,00

1,00

1,00

1,00

1,00

1,00

0,00

1,06

TERLAMBAT

34

LAKI-LAKI

BEKERJA

26

2,90

3,09

3,00

2,67

3,00

2,53

3,14

0,00

2,54

TEPAT

35

LAKI-LAKI

MAHASISWA

23

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,88

TERLAMBAT

36

LAKI-LAKI

BEKERJA

25

2,80

2,64

0,65

2,62

3,10

1,00

1,00

0,00

1,73

TERLAMBAT

37

LAKI-LAKI

BEKERJA

27

3,40

3,41

3,17

2,76

3,05

2,84

3,29

0,00

2,74

TEPAT

38

PEREMPUAN

BEKERJA

22

3,50

3,50

3,13

3,43

3,30

3,11

3,14

0,00

2,89

TEPAT

39

PEREMPUAN

BEKERJA

22

3,50

3,50

3,22

3,24

3,45

2,79

3,29

0,00

2,87

TEPAT

40

LAKI-LAKI

MAHASISWA

24

1,10

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,89

TERLAMBAT

41

LAKI-LAKI

BEKERJA

25

3,60

3,73

3,52

3,33

3,45

3,00

3,29

0,00

2,99

TEPAT

42

LAKI-LAKI

MAHASISWA

25

2,70

2,45

1,04

0,29

1,00

1,00

1,00

0,00

1,19

TERLAMBAT

43

LAKI-LAKI

BEKERJA

23

3,40

3,41

3,17

3,29

3,60

3,26

3,43

0,00

2,95

TEPAT

44

LAKI-LAKI

BEKERJA

25

3,80

3,41

3,17

2,86

3,00

2,57

2,57

0,00

2,67

TEPAT

45

LAKI-LAKI

MAHASISWA

24

3,30

3,59

3,00

3,00

3,10

3,00

3,00

0,00

2,75

TEPAT

46

PEREMPUAN

MAHASISWA

24

3,80

2,91

2,78

0,48

1,00

1,00

1,00

0,00

1,62

TERLAMBAT

47

LAKI-LAKI

MAHASISWA

24

2,70

2,73

0,65

0,29

1,00

1,00

1,00

0,00

1,17

TERLAMBAT

48

LAKI-LAKI

BEKERJA

26

2,20

3,27

3,00

3,33

3,40

2,89

3,43

0,00

2,69

TEPAT

49

LAKI-LAKI

MAHASISWA

24

3,50

3,23

2,96

0,29

1,00

1,00

2,29

0,00

1,78

TERLAMBAT

50

LAKI-LAKI

MAHASISWA

24

3,53

2,14

0,65

1,00

1,00

1,00

1,00

0,00

1,29

TERLAMBAT

51

LAKI-LAKI

BEKERJA

25

3,60

3,23

3,00

2,82

3,10

2,74

2,86

0,00

2,67

 

52

LAKI-LAKI

BEKERJA

23

3,00

3,32

3,00

2,82

3,20

2,32

3,00

0,00

2,58

 

53

LAKI-LAKI

BEKERJA

22

3,60

3,36

3,22

3,05

3,30

3,00

3,00

0,00

2,82

 

54

LAKI-LAKI

BEKERJA

28

3,80

3,36

3,09

3,05

2,55

3,00

3,00

0,00

2,73

 

55

LAKI-LAKI

MAHASISWA

37

2,40

3,18

3,09

1,59

2,85

2,00

2,14

0,00

2,16

 

56

LAKI-LAKI

BEKERJA

25

3,00

3,36

3,09

2,64

1,00

0,07

0,57

0,00

1,72

 

57

LAKI-LAKI

MAHASISWA

23

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,88

 

58

LAKI-LAKI

BEKERJA

24

3,80

3,32

2,91

3,14

3,10

2,16

2,86

0,00

2,66

 

59

LAKI-LAKI

BEKERJA

24

3,50

3,32

2,74

2,68

0,60

1,63

0,86

0,00

1,92

 

60

LAKI-LAKI

MAHASISWA

23

4,00

3,36

3,00

3,27

3,35

2,05

0,06

0,00

2,39

 

61

LAKI-LAKI

MAHASISWA

22

3,70

3,36

3,22

3,00

2,80

2,79

2,86

0,00

2,72

 

62

LAKI-LAKI

BEKERJA

24

3,90

3,36

3,22

3,14

2,90

2,42

2,57

0,00

2,69

 

63

LAKI-LAKI

MAHASISWA

29

3,80

3,36

2,74

3,41

3,20

2,42

2,71

0,00

2,71

 

64

LAKI-LAKI

BEKERJA

25

4,00

3,00

3,22

3,27

3,20

2,32

3,29

0,00

2,79

 

65

LAKI-LAKI

BEKERJA

28

3,20

2,59

2,61

2,68

2,90

3,00

2,57

0,00

2,44

 

66

LAKI-LAKI

BEKERJA

26

3,50

3,45

3,09

3,27

3,10

3,13

3,14

0,00

2,84

 

67

LAKI-LAKI

BEKERJA

30

3,30

2,25

2,65

2,00

0,30

0,79

1,00

0,00

1,54

 

68

LAKI-LAKI

BEKERJA

36

2,94

1,90

3,22

3,27

3,20

2,32

3,29

0,00

2,52

 

69

LAKI-LAKI

BEKERJA

38

3,00

3,00

3,00

3,00

3,50

2,82

3,14

0,00

2,68

 

70

LAKI-LAKI

MAHASISWA

26

4,00

3,45

3,48

3,05

3,25

3,11

3,71

0,00

3,01

 

71

LAKI-LAKI

BEKERJA

27

3,00

3,00

3,00

3,00

3,60

2,91

3,16

0,00

2,71

 

72

LAKI-LAKI

MAHASISWA

24

0,88

1,56

2,40

1,00

0,20

1,00

1,00

0,00

1,01

 

73

LAKI-LAKI

MAHASISWA

27

0,10

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,76

 

74

LAKI-LAKI

BEKERJA

45

3,60

3,36

3,09

2,73

2,65

2,26

2,96

0,00

2,58

 

75

LAKI-LAKI

BEKERJA

26

3,00

3,00

3,00

3,00

3,60

2,91

3,16

0,00

2,71

 

76

LAKI-LAKI

BEKERJA

27

3,50

3,45

3,09

3,27

3,10

3,13

3,14

0,00

2,84

 

77

LAKI-LAKI

BEKERJA

26

3,00

3,00

3,00

3,00

3,60

2,91

3,16

0,00

2,71

 

 

Gambar 1

Mengimport data kelulusan dari excel

 

Gambar 2

Memfilter data setting yang missing dan Data Statastik

 

 

Gambar 3

Pohon keputusan algoritma decesion tree C4.5

 

Gambar 4

Membuat blok model prediksi sebagai data testing

 

Gambar 5

Hasil data setelah di testing

 

 

Gambar 6

Data Hasil Prediksi

 

 

Tabel 2

Data Hasil Prediksi

JK

STATUS KERJA

UMUR

IPS 1

IPS 2

IPS 3

IPS 4

IPS 5

IPS 6

IPS 7

IPS 8

IPK

prediction(STATUS KELULUSAN)

LAKI-LAKI

BEKERJA

25,0

3,6

3,2

3,0

2,8

3,1

2,7

2,9

0,0

2,7

TEPAT

LAKI-LAKI

BEKERJA

23,0

3,0

3,3

3,0

2,8

3,2

2,3

3,0

0,0

2,6

TEPAT

LAKI-LAKI

BEKERJA

22,0

3,6

3,4

3,2

3,1

3,3

3,0

3,0

0,0

2,8

TEPAT

LAKI-LAKI

BEKERJA

28,0

3,8

3,4

3,1

3,1

2,6

3,0

3,0

0,0

2,7

TEPAT

LAKI-LAKI

MAHASISWA

37,0

2,4

3,2

3,1

1,6

2,9

2,0

2,1

0,0

2,2

TERLAMBAT

LAKI-LAKI

BEKERJA

25,0

3,0

3,4

3,1

2,6

1,0

0,1

0,6

0,0

1,7

TERLAMBAT

LAKI-LAKI

MAHASISWA

23,0

1,0

1,0

1,0

1,0

1,0

1,0

1,0

0,0

0,9

TERLAMBAT

LAKI-LAKI

BEKERJA

24,0

3,8

3,3

2,9

3,1

3,1

2,2

2,9

0,0

2,7

TEPAT

LAKI-LAKI

BEKERJA

24,0

3,5

3,3

2,7

2,7

0,6

1,6

0,9

0,0

1,9

TERLAMBAT

LAKI-LAKI

MAHASISWA

23,0

4,0

3,4

3,0

3,3

3,4

2,1

0,1

0,0

2,4

TERLAMBAT

LAKI-LAKI

MAHASISWA

22,0

3,7

3,4

3,2

3,0

2,8

2,8

2,9

0,0

2,7

TEPAT

LAKI-LAKI

BEKERJA

24,0

3,9

3,4

3,2

3,1

2,9

2,4

2,6

0,0

2,7

TEPAT

LAKI-LAKI

MAHASISWA

29,0

3,8

3,4

2,7

3,4

3,2

2,4

2,7

0,0

2,7

TEPAT

LAKI-LAKI

BEKERJA

25,0

4,0

3,0

3,2

3,3

3,2

2,3

3,3

0,0

2,8

TEPAT

LAKI-LAKI

BEKERJA

28,0

3,2

2,6

2,6

2,7

2,9

3,0

2,6

0,0

2,4

TERLAMBAT

LAKI-LAKI

BEKERJA

26,0

3,5

3,5

3,1

3,3

3,1

3,1

3,1

0,0

2,8

TEPAT

LAKI-LAKI

BEKERJA

30,0

3,3

2,3

2,7

2,0

0,3

0,8

1,0

0,0

1,5

TERLAMBAT

LAKI-LAKI

BEKERJA

36,0

2,9

1,9

3,2

3,3

3,2

2,3

3,3

0,0

2,5

TEPAT

LAKI-LAKI

BEKERJA

38,0

3,0

3,0

3,0

3,0

3,5

2,8

3,1

0,0

2,7

TEPAT

LAKI-LAKI

MAHASISWA

26,0

4,0

3,5

3,5

3,1

3,3

3,1

3,7

0,0

3,0

TEPAT

LAKI-LAKI

BEKERJA

27,0

3,0

3,0

3,0

3,0

3,6

2,9

3,2

0,0

2,7

TEPAT

LAKI-LAKI

MAHASISWA

24,0

0,9

1,6

2,4

1,0

0,2

1,0

1,0

0,0

1,0

TERLAMBAT

LAKI-LAKI

MAHASISWA

27,0

0,1

1,0

1,0

1,0

1,0

1,0

1,0

0,0

0,8

TERLAMBAT

LAKI-LAKI

BEKERJA

45,0

3,6

3,4

3,1

2,7

2,7

2,3

3,0

0,0

2,6

TEPAT

LAKI-LAKI

BEKERJA

26,0

3,0

3,0

3,0

3,0

3,6

2,9

3,2

0,0

2,7

TEPAT

LAKI-LAKI

BEKERJA

27,0

3,5

3,5

3,1

3,3

3,1

3,1

3,1

0,0

2,8

TEPAT

LAKI-LAKI

BEKERJA

26,0

3,0

3,0

3,0

3,0

3,6

2,9

3,2

0,0

2,7

TEPAT

 

Gambar 7

Tingkat keakurasian data dalam prediksi (%)

 

Pengujian di ukur dengan menggunakan confussion matrix untuk mengukur performa klasifikasi dengan menggunakan dua kelas yaitu tepat dan terlambat.

Tingkat accuracy : 98.00%.

 

Tabel 3

Prediksi

KlasifikasiC45

Prediksi

True Terlambat

True Tepat

Class precision

Terlambat

21

1

95.45%

Tepat

0

28

100%

Class recall

100%

96.55%

 

 

 

Kesimpulan

Penulis menggunakan satu special atribut (status kelulusan) dan duabelas regular atribut ((JK, Status Kerja, Umur, IPS (1,2,3,4,5,6,7,8) dan IPK)), data set KHS mahasiswa tahun 2014-2015 dan 2015-2016, data testing tahun 2016-2017, software rapidminer-studio-9.7.2. menggunakan algoritma decision tree C4.5 dengan output yang terbentuk ialah klasifkasi berupa pohon keputusan (decision tree). Algortitma C4.5 terbukti dapat digunakan dalam memprediksi atau mengkalisifikasi masa studi mahasiswa dengan evaluasi penelitian tingkat nilai akurasi sebanyak 98.00%, dengan presisi terlambat 95.45% dan tepat 100%, Class recall terlambat 100%, dan recall tepat 96.55%. Pengujian dengan rapidminer terbukti efektif dan fleksibel dengan hasil perhitungan yang tepat.

 

 

 

 

BIBLIOGRAFI

 

Abu Tair, Mohammed M., & El-Halees, Alaa M. (2012). Mining educational data to improve students� performance: a case study. International Journal of Information, 2(2). Google Scholar

 

Harianto, Didi Rosiyadi, & Rosiyadi, Didi. (2020). Komparasi Algortima C4. 5, Na�ve Bayes, dan k-Nearest Neighbor Sebagai Sistem Pendukung Keputusan Menaikkan Jumlah Peserta Didik. Jurnal Informatika, 7(1). Google Scholar

 

Jaedun, Amat. (2011). Metodologi penelitian eksperimen. Fakultas Teknik UNY, 12. Google Scholar

 

Kamagi, David Hartanto, & Hansun, Seng. (2014). Implementasi Data Mining dengan Algoritma C4. 5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. Ultimatics: Jurnal Teknik Informatika, 6(1), 15�20. Google Scholar

 

Nofriansyah, Dicky, Kom, S., & Kom, M. (2015). Konsep data mining Vs Sistem pendukung keputusan. Deepublish. Google Scholar

 

Rahman, Ade Fatma Ayu. (2020). Prediksi Kelulusan Mahasiswa Menggunakan Algoritma C4. 5 (Studi Kasus Di Universitas Peradaban). Indonesian Journal of Informatics and Research, 1(2), 70�77. Google Scholar

 

Rismayanti, Rismayanti. (2018). Decision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus: Fakultas Teknik dan Komputer Universitas Harapan Medan). Query: Journal of Information Systems, 2(1). Google Scholar

 

Romero, Crist�bal, & Ventura, Sebasti�n. (2010). Educational data mining: a review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601�618. Google Scholar

 

Rosandy, Triowali. (2016). Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4. 5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: KSPPS/BMT Al-Fadhila. Jurnal Teknologi Informasi Magister, 2(01), 52�62. Google Scholar

 

Siregar, Amril Mutoi, Kom, S., Puspabhuana, M. Kom D. A. N. Adam, Kom, S., & Kom, M. (2017). Data Mining: Pengolahan Data Menjadi Informasi dengan RapidMiner. CV Kekata Group. Google Scholar

 

Sutabri, Tata. (2012). Analisis sistem informasi. Penerbit Andi. Google Scholar

 

Yadav, Surjeet Kumar, & Pal, Saurabh. (2012). Data mining: A prediction for performance improvement of engineering students using classification. ArXiv Preprint ArXiv:1203.3832. Google Scholar

 

Copyright holder:

Nur Ariesanto Ramdhan, Abdul Khamid (2021)

 

First publication right:

Syntax Literate: Jurnal Ilmiah Indonesia

 

This article is licensed under: