Perbandingan Algoritme Machine Learning untuk Memprediksi Pengambil Matakuliah

Abstract

<p class="Abstrak">Pada setiap awal semester bagian akademik melakukan penjadwalan dan penentuan matakuliah yang akan dibuka untuk semester berikutnya. Akan tetapi proses tersebut memiliki permasalahan antara lain kelas yang dibuka terlalu banyak dibanding jumlah siswa yang berminat atau sebaliknya. Selain itu, dalam permasalahan prediksi data yang terkumpul memiliki kecenderungan tidak seimbang pada setiap kelas (<em>imbalance class</em>). Hal ini akan berdampak pada proses penjadwalan yang kurang tepat. Sehingga dibutuhkan sistem yang dapat memprediksi mahasiswa pengambil mata kuliah. Akan tetapi ada banyak algoritme yang dapat digunakan untuk proses prediksi. Penelitian ini membandingkan performa algoritma untuk klasifikasi mahasiswa pengambil matakuliah. Pada penelitian ini prediksi dilakukan berdasarkan atribut dari data mahasiswa. Atribut-atribut tersebut yaitu Nilai, IP, IPK, SKS, SKSK dan Semester. Pada setiap observasi pada atribut-atribut tersebut prediksi akan dilakukan apakah mahasiswa tersebut mengambil mata kuliah tertentu. Prediksi dibagi menjadi 2 kelas yaitu ‘Ya’ untuk mahasiswa yang diprediksi mengambil matakuliah dan ‘Tidak’ untuk mahasiswa yang diprediksi tidak mengambil matakuliah. Teknik <em>Synthetic Minority Oversampling Technique</em> (SMOTE) digunakan untuk menangani data yang tidak seimbang. Pada penelitian ini klasifikasi dilakukan dengan membandingkan algoritme <em>k</em><em>-Nearest Neighbor </em>(<em>k</em>-NN) dan <em>Support Vector Machine </em>(SVM) untuk kasus prediksi pengambil matakuliah. Hasil pengujian menggunakan 3 mata kuliah sebagai sampel. Dari hasil rerata, diperoleh hasil prediksi <em>k</em>-NN memiliki kinerja yang lebih baik daripada SVM. Selain itu, penggunaan teknik SMOTE dapat mempengaruhi hasil klasifikasi berupa peningkatan nilai AUC, CA, F1, <em>precision</em> dan <em>recall</em>.</p><p class="Abstrak"><strong><br /></strong></p><p class="Abstrak"><strong>Abstract</strong></p><p class="Abstract"><em>At the beginning of each semester, the academic section conducts scheduling and determining the courses offered for the next semester. However, the process has problems such as too many classes offered to the student compared to the number of students who take the class or vice versa. Besides that, in the prediction problems, the collected data has an imbalance tendency in each class. As a result, these problems could cause in ineffective scheduling. Thus, there is a need to build a system that can predict students taking courses. However, there are many algorithms that can be used for the prediction. This study compares the performance of algorithms for classifications of students taking courses. In this study, predictions are modeled based on the attributes of student data, namely Grades, GPA, Cumulative GPA, Semester Credits, Cumulative Semester Credits and Semester. The classification process will be carried out to produce a prediction of whether the student takes a particular subject or not. Classification results are divided into 2 classes, namely 'Yes' for students who are predicted to take and 'No' for students who are predicted not to take the class. To handle imbalance dataset will use Synthetic Minority Oversampling Technique (SMOTE) techniques. Classification method used in this study are k-Nearest Neighbor (k-NN) and Support Vector Machine (SVM) algorithms to compare their performance for prediction cases. The test results used 3 courses as a sample. In average k-NN prediction results have a better performance than SVM. In addition, the use of SMOTE techniques can influence the classification results in the form of an increase in AUC, CA, F1, precision and recall values.<strong></strong></em></p><p class="Abstrak"><strong><br /></strong></p>

K-means-SMOTE for handling class imbalance in the classification of diabetes with C4.5, SVM, and naive Bayes

“…Permasalahan ketidakseimbangan kelas dapat ditangani dengan 2 pendekatan, yaitu pendekatan level data dan pendekatan level algoritma [1] [9], naive Bayes dalam [7]- [10], kNN dalam [7], [11], dan C4.5 dalam [3], [8]. Penerapan SMOTE dengan beragam metode tersebut telah dilakukan dalam berbagai aplikasi, di antaranya dalam deteksi penyalahgunaan kartu kredit [3], [11], prediksi pengambil mata kuliah [5], diagnosis medis [6], klasifikasi kinerja siswa di kelas [7], segmentasi pelanggan pada industri perbankan [8], analisis sentimen [9], dan analisis sentimen [10]. Namun, metode SMOTE memiliki kelemahan, yaitu secara acak memilih instance kelas minoritas untuk di-oversample dengan menggunakan uniform probability sehingga rentan menghasilkan data noise karena tidak membedakan area kelas yang tumpang tindih [12].…”

“…Nilai sensitivitas terbaik diperoleh dari kombinasi metode SVM dan k-means-SMOTE. Peningkatan nilai sensitivitas terjadi setelah oversampling menggunakan SMOTE dan k-means-SMOTE karena ada penambahan kelas minoritas (kelas positif) sehingga distribusi kelasnya menjadi seimbang [5], [8], [10]- [12]. Selain peningkatan akurasi, metode naive Bayes dan k-means-SMOTE ini memiliki keunggulan daripada [13] dari sisi sensitivitas, yaitu kebenaran dalam memprediksi positif terhadap keseluruhan data positif.…”

Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python

“…Algoritma yang termasuk kedalam teknik supervised learning diantaranya Decision Tree, K-Nearest Neighboor (KNN), Naive Bayes, Regresi, dan Super Vector Machine [4]. Klasifikasi menggunakan KNN memiliki karakteristik mempertimbangkan jumlah tetangga terdekat, akan menghasilkan nilai k dengan akurasi tertinggi untuk menggeneralisasi data dilakukan observasi terhadap k sehingga dihasilkan nilai k optimum [5]. Beberapa Algoritma dalam unsupervised learning diantaranya DBSCAN, Fuzzy C-Means, K-Means, dan Self Organizing Map.…”

Implementasi Machine Learning dalam Penentuan Rekomendasi Musik dengan Metode Content-Based Filtering

“…Tujuan penelitian tersebut adalah memprediksi apakah mata kuliah yang ada akan diambil oleh mahasiswa atau tidak. Hasil dari penelitian adalah prediksi jawaban 'Ya' atau 'Tidak' untuk mahasiswa dalam mengambil mata kuliah (Bachtiar, Syahputra, & Wicaksono, 2019). Adapun penelitian dengan tema pendeteksi data spam SMS, pemanfaatan machine learning juga bisa diaplikasikan untuk memprediksi suatu SMS atau pesan sebagai spam atau bukan.…”