Perbandingan Akurasi Algoritma Data Mining dalam Memprediksi Kelulusan Tepat Waktu

Desy Iba Ricoida; Dedy Hermanto; Desi Pibriana; Rusbandi Rusbandi; Muhammad Rizky Pribadi

doi:10.25273/doubleclick.v7i2.19300

Perbandingan Akurasi Algoritma Data Mining dalam Memprediksi Kelulusan Tepat Waktu

Desy Iba Ricoida, Dedy Hermanto, Desi Pibriana, Rusbandi Rusbandi, Muhammad Rizky Pribadi

Abstract

Lulusan tepat waktu menjadi salah satu poin penilaian sangat penting bagi sebuah perguruan tinggi untuk memperoleh nilai akreditasi. Dikatakan lulusan tepat waktu jika seorang mahasiswa dapat lulus empat tahun atau dibawah empat tahun jika berada pada jenjang Strata-1. Penelitian ini menggunakan dataset yang diperoleh dari universitas dengan data dari angkatan 2015-2019, dimana total data yang digunakan yaitu sebanyak 1307 baris. Sebanyak 26 atribut yang digunakan dalam penelitian ini yaitu tahun_masuk, waktu_kuliah, jenis_kelamin, tipe_sekolah, jurusan, IPS 1-10, SKS 1-10 dan status. Algoritma yang digunakan dalam penelitian ini yaitu decision tree, naive bayes, logistic regression, KNN dan random forest. Hasil yang diperoleh dalam penelitian ini yaitu algoritma random forest memiliki tingkat akurasi yang paling tinggi sebesar 90.88% dengan hasil dari AUC yang diperoleh yaitu sebesar 97.2% dan perhitungan F1-Score dari hasil nilai precision dan recall diperoleh sebesar 89.9%, tertinggi dari empat algoritma lainnya. Sedang untuk algoritma decision tree dan logistic regression memiliki nilai akurasi masing-masing yaitu sebesar 89.12% dan 89.47%. Nilai dari logistic regressing lebih tinggi untuk akurasi, akan tetapi untuk nilai F1-Score decision tree lebih baik dari logistic regression yaitu 88.7% berbanding 87.6%.

Keywords

University; On Time Graduation; Data Mining; Algorithm

Full Text:

PDF

References

BAN-PT. (n.d.). Badan Akreditasi Nasional - Perguruan Tinggi. Retrieved October 20, 2022, from https://www.banpt.or.id/

BAN-PT. (2018). Pedoman Penilaian IAPT 3.0.

BAN-PT. (2019). Matriks Penilaian Laporan Evaluasi Diri dan Laporan Kinerja Program Studi.

Batubara, D. N., Windarto, A. P., & Irawan, E. (2022). Analisis Prediksi Keterlambatan Pembayaran Listrik Menggunakan Komparasi Metode Klasifikasi Decision Tree dan Support Vector Machine. JURIKOM (Jurnal Riset Komputer), 9(1), 102. https://doi.org/10.30865/jurikom.v9i1.3833

Endang Etriyanti. (2021). Perbandingan Tingkat Akurasi Metode Knn Dan Decision Tree Dalam Memprediksi Lama Studi Mahasiswa. Jurnal Ilmiah Binary STMIK Bina Nusantara Jaya Lubuklinggau, 3(1), 6–14. https://doi.org/10.52303/jb.v3i1.40

Gunawan, M., Zarlis, M., & Roslina, R. (2021). Analisis Komparasi Algoritma Naïve Bayes dan K-Nearest Neighbor Untuk Memprediksi Kelulusan Mahasiswa Tepat Waktu. Jurnal Media Informatika Budidarma, 5(2), 513. https://doi.org/10.30865/mib.v5i2.2925

Hasibuan, T. H., & Mahdiana, D. (2023). Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta. Skanika: Sistem Komputer Dan Teknik Informatika, 6(1), 61–74. https://doi.org/10.36080/skanika.v6i1.2976

Jananto, A., Sulastri, S., Nur Wahyudi, E., & Sunardi, S. (2021). Data Induk Mahasiswa sebagai Prediktor Ketepatan Waktu Lulus Menggunakan Algoritma CART Klasifikasi Data Mining. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 10(1), 71–78. https://doi.org/10.32736/sisfokom.v10i1.991

Manullang, R. A., Sianturi, F. A., Penerapan, [, Neighbor, A. K.-N., Memprediksi, U., & Mahasiswa, K. (2021). Penerapan Algoritma K-Nearest Neighbour Untuk Memprediksi Kelulusan Mahasiswa. JIKOMSI, 4(2), 42–50.

Nurhikam, A. S., Syaputra, R., Rohman, S., & ... (2023). Deteksi Berita Palsu Pada Pemilu 2024 Dengan Menggunakan Algoritma Random Forest. DoubleClick: Journal of Computer and Information Technology, 7(1), 41–50. http://e-journal.unipma.ac.id/index.php/doubleclick/article/view/15456%0Ahttp://e-journal.unipma.ac.id/index.php/doubleclick/article/download/15456/5393

Puspa, S. (2021). Ahmad Yusuf 3) 1), 3) Sistem Informasi, Fakultas Sains dan Teknologi, UIN Sunan Ampel, Surabaya 2) Matematika, Fakultas Sains dan Teknologi. Jurnal Ilmiah NERO, 6(1), 39–47.

Qisthiano, M. R., Prayesy, P. A., & Ruswita, I. (2023). Penerapan Algoritma Decision Tree dalam Klasifikasi Data Prediksi Kelulusan Mahasiswa. G-Tech: Jurnal Teknologi Terapan, 7(1), 21–28. https://doi.org/10.33379/gtech.v7i1.1850

Rahayu, T. M., Ningsi, B. A., Isnurani, & Arofah, I. (2021). Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa Dengan Metode Naive Bayes. Jurnal Binawakya, 16(2), 6427–6438.

Rahmayanti, A., Rusdiana, L., & Suratno, S. (2022). Perbandingan Metode Algoritma C4.5 Dan Naïve Bayes Untuk Memprediksi Kelulusan Mahasiswa. Walisongo Journal of Information Technology, 4(1), 11–22. https://doi.org/10.21580/wjit.2022.4.1.9654

Situmorang, N., & Sirait, G. (2020). Implementasi Data Mining untuk Memprediksi Kelulusan Siswa dengan Metode Naive Bayes. Comasie, 6(2), 107–118.

Veluchamy, A., Nguyen, H., Diop, M. L., & Iqbal, R. (2018). Comparative Study of Sentiment Analysis with Product Reviews Using Machine Learning and Lexicon-Based Approaches. SMU Data Science Review, 1(4), 1–22. https://scholar.smu.edu/cgi/viewcontent.cgi?article=1051&context=datasciencereview

Yatimah, M. N. (2021). Implementasi Data Mining untuk Prediksi Kelulusan Tepat Waktu Mahasiswa STIMIK ESQ Menggunakan Decision Tree C4.5. JUMANJI (Jurnal Masyarakat Informatika Unjani), 5(2), 89. https://doi.org/10.26874/jumanji.v5i2.95