PERBANDINGAN TINGKAT AKURASI METODE KNN DAN DECISION TREE DALAM MEMPREDIKSI LAMA STUDI MAHASISWA

Endang Etriyanti

doi:10.52303/jb.v3i1.40

Endang Etriyanti STMIK Bina Nusantara Jaya Lubuklinggau

DOI: https://doi.org/10.52303/jb.v3i1.40

Keywords: Prediksi, Lama Studi, K-Nearest Neighbor, Decision Tree

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%).

References

A. Azahari, Y. Yulindawati, D. Rosita, and S. Mallala, “Komparasi Data Mining Naive Bayes dan Neural Network memprediksi Masa Studi Mahasiswa S1,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, p. 443, 2020.
[2] S. Gunawan and P. Palupiningsih, “Pembentukan Model Klasifikasi Data Lama Studi Mahasiswa Stmik Indonesia Menggunakan Decision Tree,” pp. 116–121, 2017.
[3] S. Salmu and A. Solichin, “Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes : Studi Kasus UIN Syarif Hidayatullah Jakarta Prediction of Timeliness Graduation of Students Using Naïve Bayes : A Case Study at Islamic State University Syarif Hidayatullah Jakarta,” no. April, pp. 701–709, 2017.
[4] M. Zainuddin and A. Noercholis, “Studi komparasi algoritma decesion tree (c4.5) dengan algoritma k-nn dalam memprediksi kelulusan tepat waktu mahasiswa,” vol. 10, 2019.
[5] D. P. Mulya, “Analisa dan Implementasi Association Rule Dengan Algoritma FP-Growth,” vol. 1, no. 1, pp. 47–57, 2019.
[6] D. P. I. Putri, D. Anggreani, and A. prasetya Wibawa, “PREDIKSI LAMA STUDI MENGGUNAKAN NAÏVE BAYES,” vol. 2, no. 1, pp. 41–50, 2020.
[7] D. L. Syarif and K. Umam, “Perbandingan Tingkat Akurasi Prediksi Aritmia dengan Menggunakan Algoritma K-Nearest Neighbor dan,” no. Snik, pp. 10–15, 2020.
[8] D. M. Meliala and P. Hasugian, “Perbandingan Algoritma K-Nearest Neighbor Dengan Decision Tree Dalam Memprediksi Penjualan Makanan Hewan Peliharaan Di Petshop Dore Vet Clinic,” vol. XV, no. November, pp. 35–39, 2020.
[9] A. Budiyantara, Irwansyah, E. Prengki, P. A. Pratama, and N. Wiliani, “KOMPARASI ALGORITMA DECISION TREE , NAIVE BAYES DAN K-NEAREST NEIGHBOR UNTUK MEMPREDIKSI MAHASISWA LULUS,” vol. 5, no. 2, pp. 265–270, 2020.
[10] A. Rohman and M. Rochcham, “KOMPARASI METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI Abstrak,” vol. 5, no. 1, pp. 23–29, 2019.
[11] M. S. Maulana, R. Sabarudin, and W. Nugraha, “Prediksi Ketepatan Kelulusan Mahasiswa Diploma dengan Komparasi Algoritma Klasifikasi,” vol. 7, no. 3, pp. 202–206, 2019.
[12] S. Widaningsih, “PERBANDINGAN METODE DATA MINING UNTUK PREDIKSI NILAI DAN WAKTU KELULUSAN MAHASISWA PRODI TEKNIK INFORMATIKA,” vol. 13, no. 1, pp. 16–25, 2019.
[13] M. Zainuddin, “Perbandingan 4 Algoritma Berbasis Particle Swarm Optimization ( pso ) Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa,” vol. 13, no. 1, pp. 1–12, 2019.
[14] M. Windarti and A. Suradi, “Perbandingan Kinerja 6 Algoritme Klasifikasi Data Mining untuk Prediksi Masa Studi Mahasiswa,” Telematika, vol. 12, no. 1, p. 14, 2019.