Performansi Algoritma C4.5 untuk Prediksi Kelulusan Mahasiswa

Dyah Ardyani Rizqi Azizah Adha; Aulia Noveesa Allanda; Diah Ayu Fatmasari; Siska Narulita

doi:10.54066/jci.v3i2.339

Dyah Ardyani Rizqi Azizah Adha Institut Teknologi dan Bisnis Semarang
Aulia Noveesa Allanda Institut Teknologi dan Bisnis Semarang
Diah Ayu Fatmasari Institut Teknologi dan Bisnis Semarang
Siska Narulita Institut Teknologi dan Bisnis Semarang

DOI: https://doi.org/10.54066/jci.v3i2.339

Keywords: Classification, Kelulusan, Data Mining, Decision Tree, C4.5

Abstract

Lulus tepat waktu adalah salah satu ciri keberhasilan mahasiswa dalam meraih gelar sarjana. Namun pada kenyataannya, mahasiswa tidak selalu menyelesaikan dalam waktu empat tahun. Lulusan merupakan gelar status yang dicapai mahasiswa setelah proses pendidikan sesuai dengan persyaratan kelulusan yang diberikan oleh program studi. Kelulusan tepat waktu termasuk dalam komponen pengukuran mutu lembaga pendidikan tinggi. Karena merupakan kriteria dalam proses akreditasi program studi dan institusi oleh Badan Akreditasi Perguruan Tinggi (BAN PT). Perguruan tinggi sebaiknya memiliki serta menerapkan prosedur untuk mengelola dan mengevaluasi standar kelulusan mahasiswa yang mempresentasikan kinerja perguruan tinggi dalam peningkatan mutu. Oleh karena itu, perlu dilakukan untuk mengelola kelulusan mahasiswa, yaitu tercapainya masa studi mahasiswa sesuai dengan lama studi yang telah terjadwal. Pada penelitian ini, algoritma data mining yang digunakan adalah C4.5 untuk memprediksi kelulusan mahasiswa. Algoritma ini termasuk dalam klasifikasi dengan kategori numerik. Pada penelitian ini algoritma C4.5 memprediksi kelulusan dengan nilai accuracy 85,96%.

References

[1] Badan Akreditasi Nasional Perguruan Tinggi, Akreditasi Program Studi: Pedoman Penilaian Badan Akreditasi Nasional Perguruan Tinggi. Indonesia, 2019.
[2] Badan Akreditasi Nasional Perguruan Tinggi, Akreditasi Institusi Perguruan Tinggi Departemen Pendidikan Nasional. Indonesia, 2007.
[3] T. H. Hasibuan and D. Mahdiana, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 pada UIN Syarif Hidayatullah Jakarta,” SKANIKA Sist. Komput. dan Tek. Inform., vol. 6, no. 1, pp. 61–74, 2023.
[4] 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 Tepat Waktu,” JITK J. Ilmu Pengetah. dan Teknol. Komput., vol. 5, no. 2, pp. 265–269, 2020.
[5] S. A. Nulhaqim, D. H. Heryadi, R. Pancasilawan, and M. Ferdryansyah, “Peranan Perguruan Tinggi dalam Meningkatkan Kualitas Pendidikan di Indonesia untuk Menghadapi ASEAN Community 2015, Studi Kasus: Universitas Indonesia, Universitas Padjadjaran, Institut Teknologi Bandung,” SHARE Soc. Work J., vol. 6, no. 2, pp. 197–219, 2016.
[6] Badan Akreditasi Nasional Perguruan Tinggi, Akreditasi Program Studi Diploma. Indonesia, 2010.
[7] S. Rahmatullah and E. Utami, “Prediksi Tingkat Kelulusan Tepat Waktu dengan Metode Naive Bayes dan K-Nearest Neighbor,” J. Inf. dan Komput., vol. 7, no. 1, pp. 7–16, 2019.
[8] M. Windarti, “Prediksi Masa Studi Mahasiswa Menggunakan Kombinasi Algoritma Bayesian Network dan K-Nearest Neighbors,” 2016.
[9] D. T. Larose, Data Mining Methods and Models. New Jersey: John Wiley & Sons, Inc, 2006.
[10] A. H. Nasrullah, “Implementasi Algoritma Decision Tree untuk Klasifikasi Produk Laris,” J. Ilm. Ilmu Komput., vol. 7, no. 2, pp. 45–51, 2021.
[11] G. Suwardika and I. K. P. Suniantara, “Analisis Random Forest pada Klasifikasi CART Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka,” Barekeng J. Ilmu Mat. dan Terap., vol. 13, no. 3, pp. 179–186, 2019.
[12] Rusbandi, F. A. Ma’ruf, A. Pratama, I. Sholihin, A. R. Rinaldi, and Faturrhohman, “Penerapan Model Prediksi Menggunakan Algoritma C.45 untuk Prediksi Kelulusan Siswa SMK Wahidin,” J. Data Sci. Inform., vol. 1, no. 1, pp. 1–20, 2021.
[13] I. Mulia and Muanas, “Model Prediksi Kelulusan Mahasiswa Menggunakan Decision Tree C4.5 dan Software Weka,” J. Anal. Sist. Pendidik. Tinggi Indones., vol. 5, no. 1, pp. 57–64, 2021.
[14] L. Y. L. Gaol, M. Safii, and D. Suhendro, “Prediksi Kelulusan Mahasiswa Stikom Tunas Bangsa Prodi Sistem Informasi Dengan Menggunakan Algoritma C4.5,” Brahmana J. Penerapan Kecerdasan Buatan, vol. 2, no. 2, pp. 97–106, 2021.
[15] I. H. Witten, E. Frank, and M. A. Hall, Data Mining Third Edition. Elsevier Inc., 2011.
[16] B. Santosa, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007.
[17] J. Han, M. Kamber, and J. Pei, Data Mining, Concepts and Techniques, Third Edit. Massachusetts: Morgan Kaufmann Publishers, 2012.
[18] Dennis Aprilla C, Donny Aji Baskoro, L. Ambarwati, and I. W. S. Wicaksana, Belajar Data Mining dengan Rapid Miner. Jakarta: Open Content Model, 2013.
[19] F. Riandari and A. Simangunsong, “Penerapan Algoritma C4.5 untuk Mengukur Tingkat Kepuasan Mahasiswa,” J. Mantik Penusa, vol. 3, no. 2, pp. 1–7, 2019.
[20] R. A. Fisher, “The Use of Multiple Measurements in Taxonomic Problems,” Annu. Eugen., vol. 7, pp. 179–188, 1936, doi: 10.1111/j.1469-1809.1936.tb02137.x.
[21] F. Gorunescu, Data Mining Concepts, Models, and Techniques. Verlag Berlin Heidelberg: Springer, 2011.
[22] T. W. Liao and E. Triantaphyllou, Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications. World Scientific, 2007.
[23] L. Breiman, “Random Forests,” Mach. Learn., vol. 45, pp. 5–32, 2001.
[24] B. Firmanto, H. Soekotjo, and H. S. Dachlan, “Perbandingan Kinerja Algoritma Promethee dan TOPSIS untuk Pemilihan Guru Teladan,” J. Penelit. Pendidik. IPA, vol. 2, no. 1, 2016.
[25] M. Aulia, “Internet Data Collection,” Surakarta: Universitas Sebelas Maret, 2019.
[26] S. Narulita, P. Prihati, and A. Priyambodo, “Analisis dan Komparasi Algoritma Klasifikasi untuk Prediksi Kerugian Tower Provider Akibat Penalti yang Diberikan oleh Operator Telekomunikasi karena Keterlambatan Penyelesaian Pekerjaan oleh Tower Provider,” Cakrawala Inf., vol. 2, no. 2, pp. 1–14, 2022, [Online]. Available: https://itbsemarang.ac.id/sijies/index.php/jci/article/view/233.