Analisis Prediksi Kelulusan Mahasiswa Menggunakan Decission Tree Berbasis Particle Swarm Optimization

Abstract

Good accreditation results are the goal of the college. With good accreditation, prospective students can glance at and enter the tertiary institution. To achieve this, there are several aspects that affect good accreditation results, one of which is graduate students who play an important role in determining accreditation. Timely graduate students can benefit the college or a student. Graduates can be predicted before the final semester using a method one of which is the decision tree. Decision tree is a method that is simple and easy to understand by producing rules in the form of a decision tree, but using a decision tree model alone is not enough to produce optimal results. So we need a method for optimization that is particle swarm optimization with advantages can improve accuracy by eliminating unused features. From the results of research with primary data of 2000-2003 graduate students in Amik PPMI Tangerang explained that the particle swarm optimization method can increase accuracy by 87.56% and increase by 01.01% from the decision tree method with a value of 86.55%. From the particle swarm optimization method can also find out which unused attributes have no weight, so that way can improve accuracy. From the results of the increase, it can be used by the Amik University of Tangerang to prevent students from graduating on time.

Improved Accuracy In Data Mining Decision Tree Classification Using Adaptive Boosting (Adaboost)

“…Decision trees are also able to produce simple decisions from complex ones by turning them into simple ones, and decision trees are very easy to understand when processing small data, which is a method without reducing the quality of the results obtained by using the criteria for each node (Hendra et al, 2020). Fajri et al (2022) The C5.0 algorithm is a more advanced version of the ID3 and C4.5 algorithms.…”

Neural Network dan Particle Swam Optimization untuk Penunjang Keputusan Antipasi Mahasiswa Pra Lulus Bekerja Sesuai Bidang

“…Penelitian [12] memprediksi mahasiswa pada lulusan tepat waktu dengan membandingkan 4 algoritma, dengan nilai accuracy 74.08%, sedangkan untuk masing-masing 4 algoritma yakni dengan didapatkan AUCnya 0,788 dan penambahan pada fitur PSO mengalami peningkatan yakni pada nilai akurasi tertinggi di decision tree (C.45) diperoleh 5.21% sedangkan untuk nilai pada nave bayes yang terendah sebesar 2.13%. Penelitian [13] telah melakukan analisis prediksi pada lulusan mahasiswa dengan decision tree dengan PSO pada data mahasiswa lulusan ditahun 2000-2003 hasilnya bahwa PSO, diperoleh hasil terjadi kenaikan akurasi sebesar 1.01% dengan nilai 87.56 dibandingkan hasil dari decision tree didaptkan 86.55% Hal ini menunjukkan bahwa penggunaan PSO mampu memilih atribut Ì 153 yang tidak dipakai dan tidak berbobot. Oleh karena itu, metode PSO ada peningkatan akurasi tersebut dapat digunakan untuk perguruan tinggi agar dapat menghindari kelulusan mahasiswa tidak tepat waktu.…”

“…Terdiri dari empat sel yaitu true positives (TP), false positives (FP), true negatives (TN) dan false negatives (FN) [19] seperti pada Tabel 3. Dan untuk menghitung akurasi digunakan persamaan (1) [13].…”

Prediksi Kelulusan Mahasiswa Menggunakan Perbandingan Algoritma C5.0 Dengan Regression Linear

“…Ada juga penerapan teknik klasifikasi untuk prediksi kelulusan mahasiswa dengan penerapan algoritma K-Nearest Neighbour [22], ada juga peneliti membuat perbandingan algoritma C4.5 dan naive bayes dengan kasus lulusan tepat waktu mahasiswa [23]. Analisa memprediksi dalam kasus mahahasiswa drop out dengan penerapan metode decision tree dengan Algoritma ID3 dan C4.5 [24], ada juga kasus dalam prediksi kelulusan mahasiswa menggunakan metode decision tree dengan menggunakan algoritma C.45 [25]. Adanya hasil-hasil penelitian yang sudah ada dan adanya masalah-masalah dalam ruang lingkup fakultas tentang jumlah mahasiswa maka tim peneliti tertarik untuk melakukan suatu penelitian yaitu prediksi kelulusan mahasiswa menggunakan perbandingan algoritma C5.0 dengan regression linear yang akan digunakan dalam memprediksi kelulusan mahasiswa yang akan diuji coba pada mahasiswa fakultas teknologi dan ilmu komputer.…”

“…Uji Coba Python merupakan tahap implementasi analisis dan prediksi Kelulusan Mahasiswa Fakultas Teknologi Informasi dan Ilmu Komputer di Universitas Prima dimana akan dilakukan pengujian berupa program yang ditulis dengan Python versi 3.7.12 dalam platform Google Colab. Python disebut sebagai bahasa pemrograman yang mampu menggabungkan keterampilan serta kemampuan dengan menggunakan tata bahasa melalui kode yang jelas, untuk memberi perintah pada program yang dibuat [25].…”