Perbandingan Tingkat Akurasi Metode KNN Dan Decision Tree Dalam Memprediksi Lama Studi Mahasiswa

Abstract

Kualitas lulusan dari sebuah Perguruan Tinggi salah satunya dapat dilihat dari lama studi mahasiswa. Selain itu lama studi mahasiswa menggambarkan tingkat capaian mahasiswa dalam pendidikannya. Lama studi juga sangat berpengaruh pada kualitas program studi karena lama studi mahasiswa merupakan salah satu kriteria penilaian akreditasi. Seringkali masalah yang dihadapi oleh suatu Perguruan Tinggi adalah banyaknya mahasiswa yang menyelesaikan pendidikannya lebih dari jangka waktu yang ditetapkan. STMIK Bina Nusantara Jaya Lubuklinggau juga mengalami hal tersebut. Untuk mengantisipasi hal tersebut perlu adanya prediksi lama studi mahasiswa karena lama studi mahasiswa menjadi salah satu hal yang penting yang perlu diperhatikan bagian program studi dalam suatu Perguruan Tinggi. Penelitian ini berkontribusi secara teoretis dalam implementasi data mining untuk memprediksi lama studi mahasiswa.Penelitian ini menerapkan preprocessing data untuk memperoleh data dengan kualitas baik sebelum dilakukan proses mining menggunakan metode K-Nearest Neighbor dan Decision Tree pada Tools RapidMiner, kedua metode divalidasi menggunakan K-Fold Cross Validation (dengan 10 kali iterasi/pengulangan) dan Confusion Matrix digunakan untuk memvalidasi nilai akurasi hasil prediksi. Nilai akurasi yang paling tinggi dari hasil penerapan kedua metode akan direkomendasikan untuk menyelesaikan masalah prediksi lama studi mahasiswa. Dari hasil penelitian diperoleh nilai akurasi metode Decision Tree (60,38%) lebih baik jika dibandingkan dengan nilai akurasi metode K-Nearest Neighbor (53,08%).

Implementation of the Random Forest Method for Predicting Students’ Length of Study

“…To meet the graduation competency standards, students must complete a minimum of 144-160 credit points over 8-10 semesters or 4-5 years. Therefore, the duration of a student's study is an important consideration for the university's study program (Endang Etriyanti, 2021).…”

Perbandingan Metode Klasifikasi serta Analisis Faktor Akademis Pola Kelulusan Mahasiswa di Perguruan Tinggi

“…PENELITIAN YANG TERKAIT Pemilihan penggunaan metode algoritma serta data yang digunakan dalam penelitian ini adalah didasarkan dari penelitian-penelitian sebelumnya yang membahas penelitian dengan topik yang sama, yaitu pada penelitian pertama yang membahas perbandingan tingkat akurasi dengan topik memprediksi lama studi mahasiswa menggunakan metode K-Nearest Neighbor dengan nilai akurasi yaitu 53,08% dan prediksi Decision Tree 60,38%. Dan saran untuk penelitian selanjutnya adalah untuk menambah jumlah data dan memberikan variabel atau kriteria eksternal [4]. Dari penelitian ini didapatkan SVM memiliki akurasi yang paling bagus diantara keempat metode algoritma yang digunakan yaitu sebesar 80%, KNN 64%, Decision Tree 65% dan Naïve Bayes 77% [5].…”

“…Setelah pemodelan dan pengujian dilakukan evaluasi model algoritma yang digunakan yang menggunakan angka akurasi sebagai parameter pembanding antara model algoritma yang digunakan dalam pengujian. Hasil akurasi data validasi pengujian model algoritma ditunjukkan pada tabel 4 Setelah pengujian menggunakan data validasi dan mendapatkan hasil akurasi, dari hasil akurasi didapatkan model yang paling optimal dalam melakukan klasifikasi pola akademik kelulusan mahasiswa dan kemudian menggunakan model algoritma dengan akurasi terbaik atau bagging Random Forest untuk pengujian data latih atau data Angkatan 2018 yang belum memiliki label target. Hasil pelabelan disimpan dalam dataframe sehingga data pada all_data memiliki label yang sama antara 0 dan 1 atau lulus tepat waktu dan tidak tepat waktu.…”

Implementation of Data Mining to Predict Student Study Period with Decision Tree Algorithm (C4.5)

“…Because completing studies on time has important functions for students, such as saving tuition fees and getting ready to enter the workforce more quickly. In addition, the importance of graduating on time is also related to the accreditation evaluation of the university [3], this can motivate universities to evaluate the development of students during the college term through the academic system and the support of lecturers. There is a need for information regarding student graduation based on academic data, which can be utilized to generate new knowledge, this will enable PU to better understand the conditions surrounding students' graduation [4].…”