Penerapan Algoritma Decision Tree dalam Klasifikasi Data Prediksi Kelulusan Mahasiswa

Abstract

Dalam melakukan proses klasifikasi terhadap prediksi kelulusan mahasiswa, ada banyak faktor dan kriteria dalam mengukur kelulusan mahasiswa tersebut, serta menentukan mahasiswa tersebut tepat atau tidaknya menyelesaikan studi. Oleh sebab itu, maka dibutuhkan suatu metode klasifikasi untuk melakukan pengukuran terhadap data prediksi kelulusan tepat waktu, penulis menggunakan dataset yang berasal dari beberapa perguruan tinggi tersebar di Kota Palembang. Model yang digunakan ini menggunakan Decision Tree yang berfungsi sebagai salah satu metode untuk melakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan berasal dari perguruan tinggi di Kota Palembang, sedangkan kriteria untuk melakukan poses klasifikasi adalah jurusan, perguruan tinggi setiap mahasiswa, jenis kelas pilihan, dan nilai setiap mahasiswa yang diambil mulai dari semester awal sampai semester ke 4, lalu ada data tahun kelulusan mahasiswa tersebut, beserta data tahun masuk dari mahasiswa tersebut. Setelah peneliti menentukan atribut data yang akan mejadi bagian dari proses klasifikasi, peneliti memilih menggunakan alat bantu Rapidminer dalam mengelola data klasifikasi dengan model decision tree. Proses berikutnya penguji menggunakan 5 kali proses uji K-Fold Validation dengan membagi dataset ke dalam training dan testing. Hasil penelitian ini merupakan akurasi dari hasil klasifikasi terhadap peridiksi yang didapat dari alat bantu Rapidminer dan metode Decision Tree yang memiliki hasil akurasi sebesar 87.93%.

Comparison of Naive Bayes, K-Nearest Neighbor, and Support Vector Machine Classification Methods in Semi-Supervised Learning for Sentiment Analysis of Kereta Cepat Jakarta Bandung (KCJB)

“…Support Vector Machine (SVM) is an algorithm using optimization theory and hypothetical space in a series of pattern recognition fields and using the kernel to map the input space [24]. SVM is often implemented for various problems and purposes such as pattern identification, bioinformatics, and text classification by decomposing hyperplanes as input features consisting of two classes, then re-optimized into more than two classes [25]. The unlimited function in searching for hyperplanes in the Support Vector Machine method is an advantage, where processing will always be possible regardless of the data used [6].…”

Klasifikasi Kompetensi Siswa Di SMK Basuraga Menggunakan Algoritma Decision Tree

“…Sebuah penelitian juga mengevaluasi implementasi Decision Tree ID3 untuk menentukan siswa yang berhak masuk kelas unggulan di SMPN 6 Kota Kediri, mencapai tingkat kepresisian 82% dan keingatan 96%, sambil memberikan rekomendasi untuk pengembangan lebih lanjut [3]. Studi lainnya membandingkan akurasi algoritma C4.5 dan Naive Bayes dalam memprediksi kelulusan mahasiswa, menunjukkan bahwa Naive Bayes memiliki tingkat akurasi lebih tinggi, yaitu 81,58% [4]. Akhirnya, implementasi K-Nearest Neighbor, Decision Tree, dan Naïve Bayes dalam mengklasifikasikan tingkat kepemimpinan siswa di sekolah menengah atas menunjukkan bahwa K-NN memiliki skor akurasi tertinggi, yaitu 95,86%, dibandingkan dengan Decision Tree dan Naïve Bayes [5].…”

Penerapan Algoritma Decision Tree Dalam Klasifikasi Penyakit Stroke Otak

“…Penelitian ini menggunakan alat bantu Rapidminer untuk mengelola data klasifikasi dengan model Decision Tree. Setelah menjalani 5 kali proses validasi K-Fold, penelitian ini mencapai akurasi sebesar 87.93% dalam melakukan klasifikasi terhadap prediksi kelulusan siswa [14].…”