Implementasi Teknik Data Mining untuk Evaluasi Kinerja Mahasiswa Berdasarkan Data Akademik

Marthasari, Gita Indah

doi:10.21111/fij.v2i2.1216

Cited by 5 publications

(6 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pada tahapan Pengujian eksperimen yang dilakukan pada algoritma KNN dan KNN-PSO serta eksperimen nilai akurasi pada algoritma optimasi tersebut [16].…”

Section: E Evaluasiunclassified

See 1 more Smart Citation

Klasifikasi Topik Tugas Akhir Mahasiswa menggunakan Algoritma Particle Swarm Optimization dan K-Nearest Neighbor

Sumarni

Rustam

2020

Ilk. J. Ilm.

View full text Add to dashboard Cite

Problems the Topic of the final project is a form of scientific writing that contains the results of observations from a study of the problems that occur with the use of methods related to the particular field of science. Every student in every program of study must draw up a final project. However, before embarking on writing the final project, each student must have the topic area as a destination, the step of selection the topic of final project is an initial step before working on the final task. One way to get the final task is to see the value of general courses as well as courses, concentration majors, the value of which dominate the is is decent to scope the research topic. this research is conducted on the application of the method of K-Nearest Neighbor (KNN) for categorization of the value of the courses of concentration for the coverage of the research topic, topic the entire value in the dataset will be classified by KNN and in the optimization with the Particle swarm Optimization algorithm (PSO). The experimental categorization of the final project is built with the training data Mahasiswa Universitas Ichsan Gorontalo that has been classified previously and test data derived from the entire value of the courses is not yet known categories. The results of the experiments, the value of the resulting accuracy of algorithms KNN, namely the value of the best accuracy with K=3, K Folds = 10 has an accuracy that is 72.46% and the Algorithm of KNN-PSO best accuracy with K=3, K Folds = 10 has an accuracy that is 89.86%, shows the accuracy is better by using the optimization algorithm

show abstract

“…Pada tahapan Pengujian eksperimen yang dilakukan pada algoritma KNN dan KNN-PSO serta eksperimen nilai akurasi pada algoritma optimasi tersebut [16].…”

Section: E Evaluasiunclassified

“…Pengumpulan DataIdentifikasi variabel dari dataset di bagian pusat pengelolaan data akademik Universitas sebagai tahap awal sebagai cara dalam menentukan pengelolaan data dan proses analisisnya menggunakan alat analisis data[11]. Beberapa variabel yaitu seluruh mata kuliah kosentrasi yang terkait, nilai dari setiap mata kuliah dan nilai prestasi akademik.…”

unclassified

Klasifikasi Topik Tugas Akhir Mahasiswa menggunakan Algoritma Particle Swarm Optimization dan K-Nearest Neighbor

Sumarni

Rustam

2020

Ilk. J. Ilm.

View full text Add to dashboard Cite

show abstract

“…Pada penelitian tersebut, yang data digunakan ini, juga diperoleh dari penelitian yang dilakuan pada data universitas ichsan Gorontalo yang berkaitan langsung dengan bagian pusat pengelolaan data kemahasiswaan universitas (BAAK Universitas). Identifikasi variable [14] dalam penelitian menentukan cara pengolahan data [15]…”

Section: Pengumpulan Dataunclassified

Akademik Data Mining (Adm) K-Means Dan K-Means K-Nn Untuk Mengelompokan Kelas Mata Kuliah Kosentrasi Mahasiswa Semester Akhir

Rustam

Annur

2019

Ilk. J. Ilm.

View full text Add to dashboard Cite

Universitas merupakan institusi pendidikan yang memegang peranan penting dalam menghasilkan lulusan. Selain itu, Institusi seperti universitas ichsan Gorontalo menyimpan kumpulan data. Data-data tersebut diantaranya tentang data akademik mahasiswa. Di bidang akademik, di setiap semester bertambahnya jumlah data yang direkam dengan data dari kegiatan akademik. Hal ini seperti adanya Tsunami data yang mengindikasikan bahwa data-data ini sangat melimpah namun tidak memberikan pengetahuan apapun sehingga tidak bermanfaat bagi universitas terutama fakultas kecuali pengetahuan administratif. Universitas Ichsan Gorontalo dengan jumlah mahasiswa mencapai 9000 orang yang disertai dengan jumlah lulusan yang masih kurang ideal setiap periode lulusan, maka perlu diterapkan pola penentuan kelas kosentrasi mata kuliah yang efektif bagi pencapai kemampuan mahasiswa, Data akademik yang akan digunakan yaitu data mahasiswa angkatan 2016-2017 yang telah mengambil kelas mata kuliah kosentrasi. Penerapan algoritma K-Means dan K-Means KNN dimana K=2 mengahasilkan kluster untuk mengelompokkan Kelas Mata Kuliah Kosentrasi mahasiswa semester akhir dan masing-masing kluster tersebut memiliki nilai prediksi untuk kedua klustering tersebut, Nilai Akurasi yang dihasilkan Algoritma KNN yaitu nilai AUC (Area Under The Curve) =1, Nilai CA=1, nilai F1=1, nilai Precision=1, dan Recall=1, serta nilai akurasi ini sebagai nilai terbaik.

show abstract

“…Karamouiz dan Vretoz [8] melakukan studi tentang indikator efektivitas lembaga pendidikan berdasarkan tingkat kelulusan siswa menggunakan artificial neural network (ANN). Prediksi tingkat kelulusan mahasiswa telah dilakukan menggunakan naive bayes dalam [9]- [11], C4.5 dalam [9], k-nearest neighbors (kNN) [12], algoritme apriori dalam [13], dan ANN [14]. Dengan beragam data kelulusan mahasiswa, akurasi prediksi naive bayes mencapai 80,85% [9] dan 80,72% [10], akurasi C4.5 sebesar 85,7% [9], akurasi kNN 80% [12].…”

Section: Pendahuluanunclassified

“…Hasil tersebut menunjukkan bahwa algoritme SVM memiliki kinerja yang baik dalam membangun sebuah model yang digunakan untuk menemukan informasi berdasarkan dengan dataset yang disesuaikan dengan tiga tahap evaluasi yang ada pada aturan akademik yaitu dua tahun pertama, dua tahun kedua dan akhir studi berdasarkan atribut yang telah ditentukan sebelumnya (Tabel 2). Informasi yang diperoleh tersebut memberikan pengetahuan untuk pemantauan evaluasi ketepatan masa studi mahasiswa di setiap fase evaluasi (Gambar 7), yang berbeda dengan [9], [15] yang hanya menggunakan dataset mahasiswa di satu tahun pertama, dengan [12] yang menggunakan dataset dua tahun pertama, dan dengan [11], [13], [14] yang menggunakan dataset mahasiswa yang telah menyelesaikan studinya. Mahasiswa dapat memperoleh ruang gerak yang lebih Penelitian ini tidak melakukan proses verifikasi, seperti dengan uji statistik, sebagaimana [15] yang melakukan verifikasi akurasi dengan uji T untuk menaikkan tingkat kepercayaan.…”

Section: Metode Penelitianunclassified

Performance Comparison of Data Mining Classification Algorithms for Early Warning System of Students Graduation Timeliness

Fadli

Zulfa

Ramadhani

2018

Jurnal Teknologi dan Sistem Komputer

View full text Add to dashboard Cite

Observation of growing academic data can be carried using data mining methods, for example, to obtain knowledge related to the determinants of timeliness of students graduation. This study conducted a performance comparison of the classification algorithms using decision tree (DT), support vector machine (SVM), and artificial neural network (ANN). This study used students academic data from Faculty of Engineering, Universitas Jenderal Soedirman in the 2014/2015 odd semester until the 2017/2018 odd semester and the attributes that conform to the academic regulations. The analytical method used is CRISP-DM. The results showed that SVM provided the best performance in an accuracy of 90.55% and AUC of 0.959, compared to other algorithms. A Model with SVM algorithm can be implemented in an early warning system for timeliness of student graduation.

show abstract

Implementasi Teknik Data Mining untuk Evaluasi Kinerja Mahasiswa Berdasarkan Data Akademik

Cited by 5 publications

References 0 publications

Klasifikasi Topik Tugas Akhir Mahasiswa menggunakan Algoritma Particle Swarm Optimization dan K-Nearest Neighbor

Klasifikasi Topik Tugas Akhir Mahasiswa menggunakan Algoritma Particle Swarm Optimization dan K-Nearest Neighbor

Akademik Data Mining (Adm) K-Means Dan K-Means K-Nn Untuk Mengelompokan Kelas Mata Kuliah Kosentrasi Mahasiswa Semester Akhir

Performance Comparison of Data Mining Classification Algorithms for Early Warning System of Students Graduation Timeliness

Contact Info

Product

Resources

About