�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 hasil� reduksi data yang telah dilakukan dengan
menggunakan Software Rapidminer.
Tabel 1
Data Awal Mahasiswa
|
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
|
Klasifikasi� C45 |
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.
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: |