Analisis Random Forest Pada Klasifikasi Cart Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka

Suwardika, Gede; Suniantara, I Ketut Putu

doi:10.30598/barekengvol13iss3pp177-184ar910

Cited by 3 publications

(3 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Beberapa peneliti sebelumnya telah melakukan penelitian tentang algoritma klasifikasi yaitu : Penelitian yang di lakukan oleh Gede Suwardika , I Ketut Putu Suniantara, pada Jurnal Barekeng -Jurnal Ilmu Matematika dan Terapan, Vol.13, No.3, Desember 2019 dengan judul "Analisis Random Forest Pada Klasifikasi Cart Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka" [6] ; Penelitian yang di lakukan oleh Sarah Novia Hermawanti dkk, pada Jurnal Ilmiah Santika, Vol.9 No.1 Juni 2019 dengan judul " Implementasi Algoritma C4.5 Untuk Prediksi Kelulusan Tepat Waktu (Studi kasus : Program Studi Teknik Informatika)" [11] ; Penelitian yang di lakukan oleh Tias Mugi Rahayu dkk, pada Jurnal Media Bina Ilmiah , Vol.15 No.10 Mei 2021 dengan judul "Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa Dengan Metode Naive Bayes" [14] . Penelitian-penelitian sejenis tentang klasifikasi maupun prediksi kelulusan mahasiswa di atas, berbeda dengan penelitian yang di ajukan.…”

Section: Metode Penelitianunclassified

Komparasi Algoritma Klasifikasi Untuk Memprediksi Kelulusan Mahasiswa Program Studi Teknik Komputer Jaringan

Sudarmadji,

Fallo,

Peli

2023

Flash

View full text Add to dashboard Cite

Tingkat kelulusan mahasiswa dalam suatu institusi pendidikan sangatlah penting karena selain untuk tetap menjaga kredibilitas institusi tersebut, tingkat kelulusan juga berperan dalam menjaga rasio antara mahasiwa dengan dosen agar tetap dalam takaran yang tepat. Untuk itu, informasi yang cepat, tepat, dan akurat tentang klasifikasi tingkat kelulusan mahasiswa akan sangat dibutuhkan pihak institusi sehingga dapat dijadikan strategi ataupun solusi yang tepat dalam upaya meningkatkan trend positif terkait tingkat kelulusan mahasiswa. Jumlah kelulusan mahasiswa Program Studi Teknik Komputer dan Jaringan pada Politeknik Negeri Kupang cenderung mengalami penurunan jumlah wisudawan setiap tahun sehingga menjadi polemik internal. Sedangkan saat ini sebuah Perguruan Tinggi atau Universitas dituntut untuk selalu memiliki keunggulan bersaing dengan memanfaatkan semua sumber daya yang dimilikinya. Selain sumber daya sarana, prasarana, dan manusia, sistem informasi adalah salah satu sumber daya yang dapat digunakan untuk meningkatkan keunggulan bersaing. Salah satu disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data yang besar adalah Data Mining. Data mining adalah proses melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan sebelumnya tidak diketahui, dari suatu data. Ada 5 peranan utama data mining, yaitu: Estimasi, Prediksi, Klasifikasi, Klastering, dan Asosiasi. Algoritma yang di gunakan pada penelitian ini lebih dari satu model sehingga penulis Mengkomparasi Algoritma Klasifikasi Untuk Memprediksi Kelulusan Mahasiswa, serta memining knowledge dari dataset kelulusan mahasiswa untuk : membandingkan algoritma yang paling akurat dalam penentuan klasifikasi kelulusan mahasiswa. Algoritma- algoritma yang digunakan adalah Logistic Regression, Decision Tree Classifier, KNeighbors Classifier, SVC, Random Forest Classifier, Gradient Boosting Classifier dan GaussianNB.

show abstract

Section: Metode Penelitianunclassified

Komparasi Algoritma Klasifikasi Untuk Memprediksi Kelulusan Mahasiswa Program Studi Teknik Komputer Jaringan

Sudarmadji,

Fallo,

Peli

2023

Flash

View full text Add to dashboard Cite

show abstract

“…Hal ini dapat dilihat pada penelitian [4] yang memperoleh nilai akurasi 83.54% untuk prediksi lama studi mahasiswa. Penelitian yang lain juga [5], algoritma random forest mampu meningkatkan akurasi klasifikasi ketidaktepatan waktu kelulusan mahasiswa yang mencapai konvergen dengan prediksi klasifikasi mencapai 93.23%.…”

Section: Pendahuluanunclassified

Sistem Klasifikasi Kelulusan Mahasiswa Dengan Algoritma Random Forest

Saleh¹,

Adrian²,

Sanger³

2022

realtech

View full text Add to dashboard Cite

Some of the causes of students not graduating on time are the Cumulative GPA, which is below standard, the contracted courses do not pass, and the Number of leave taken. If left unchecked, this student's graduation time affects the accreditation value of the study program. For that, we need an application that can classify students who do not graduate on time from an early age so that supervisors and teaching lecturers can pay special attention to extra lessons, provide motivation, and can provide encouragement for students who are classified as not graduating on time so that the student can graduate on time. In this study, a student graduation classification application was made using the Random Forest algorithm. The attributes used to classify student graduation are Grade Point Average, Grade Point Average 1 to 4, Number of courses not passed, age, and gender, with 2 class outputs classified as punctual and late. This application development uses Waterfall and Unified Modeling Language (UML) as modeling tools. Testing of student graduation classification applications using the Random Forest algorithm, which is carried out using 60% training data and 40% test data. The test was performed five times, and the highest accuracy obtained was 90.00% using 50 trees.

show abstract

“…Sedangkan menurut [8] dalam penelitiannya mengatakan bahwa terjadi peningkatan akurasi klasifikasi sebesar 4,38% dengan menggunakan bagging CART. Penelitian tentang klasifikasi CART pernah dilakukan oleh [9] pada ketidaktepatan waktu kelulusan dengan analisis random forest menyatakan bahwa random forest mampu meningkatkan akurasi klasifikasi ketidaktepatan waktu kelulusan mahasiswa yang mencapai konvergen dengan prediksi klasifikasi mencapai 93.23%.…”

Section: Pendahuluanunclassified

Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka dengan Metode Boosting Cart

Suwardika

Suniantara²,

Hendayanti³

2019

Varian

Self Cite

View full text Add to dashboard Cite

The classification tree method or better known as Classification and Regression Tree (CART) has capabilities in various data conditions, but CART is less stable in changing learning data which will cause major changes in the results of the classification tree prediction. Predictive accuracy of an unstable classifier can be corrected by a combination method of many single classifiers where the prediction results of each classifier are combined into the final prediction through the majority voting process for classification or average voting for regression cases. Boosting ensemble method is one method that combines many classification trees to improve stability and determine classification predictions. This research purpose to improve the stability and predictive accuracy of CART with boosting. The case used in this study is the classification of inaccuracies in the Open University student graduation. The results of the analysis show that boosting is able to improve the accuracy of the classification of the inaccuracy of student graduation which reaches a classification prediction of 75.94% which previously reached 65.41% in the classification tree.

show abstract

Analisis Random Forest Pada Klasifikasi Cart Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka

Cited by 3 publications

References 4 publications

Komparasi Algoritma Klasifikasi Untuk Memprediksi Kelulusan Mahasiswa Program Studi Teknik Komputer Jaringan

Komparasi Algoritma Klasifikasi Untuk Memprediksi Kelulusan Mahasiswa Program Studi Teknik Komputer Jaringan

Sistem Klasifikasi Kelulusan Mahasiswa Dengan Algoritma Random Forest

Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka dengan Metode Boosting Cart

Contact Info

Product

Resources

About