KOMPARASI METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA

Neo Teknika: Jurnal Ilmiah Teknologi

View Publication Info
 
 
Field Value
 
Title KOMPARASI METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA
 
Creator Rohman, Abdul
Rochcham, Muhammad
 
Description Dalam perguruan tinggi, mahasiswa merupakan komponen sangat penting dalampenyelenggaraan pendidikan terutama dalam penilaian akreditasi perguruan tinggi.Kelulusan mahasiswa yang tepat waktu merupakan tolak ukur keberhasilannya tujuanpembelajaran di perguruan tinggi, maka perlu dilakukan analisis dan prediksi terhadapdata kelulusan mahasiswa. Banyak penelitian yang menganalis terhadap datakelulusan mahasiswa dengan teknik data mining dengan objek yang berbeda-beda.Dalam penelitian ini dilakukan perbandingan motede data mining yaitu algoritmaneural network, k-nearest neighbor dan Decision Tree yang diaplikasikan pada datakelulusan mahasiswa. Dari hasil pengujian dengan mengukur kinerja ketiga metodetersebut menggunakan cross validation, confusion matrix dan kurva ROC, diketahuibahwa neural network memiliki nilai akurasi yang paling tinggi yakni sebesar 87,32%,diikuti oleh metode algoritma Decision Tree dengan nilai akurasi 83.57%, kemudianmetode k-nearest neighbor dengan akurasi 83,66%. Nilai AUC untuk metode neuralnetwork menunjukan nilai tertinggi yakni 0,917 dan yang terendah adalah metode DecisionTree yaitu 0,844.Kata KunciData Mining, Mahasiswa, algoritma neural network, k-nearest neighbord, Decision Tree
 
Publisher Universitas Pandanaran
 
Contributor
 
Date 2019-06-01
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Artikel yang dipeer-review
 
Format application/pdf
application/pdf
 
Identifier http://jurnal.unpand.ac.id/index.php/NT/article/view/1379
10.32132/neoteknika.v5i1.1379
 
Source NEO TEKNIKA; Vol 5, No 1 (2019): Jurnal Neo Teknika Vol 5 No.1 Juni 2019
Neo Teknika; Vol 5, No 1 (2019): Jurnal Neo Teknika Vol 5 No.1 Juni 2019
2502-7662
2442-6504
10.32132/neoteknika.v5i1
 
Language eng
 
Relation http://jurnal.unpand.ac.id/index.php/NT/article/view/1379/1346
http://jurnal.unpand.ac.id/index.php/NT/article/view/1379/1346
10.32132/neoteknika.v5i1.1379.g1346
10.32132/neoteknika.v5i1.1379.g1346
 
Rights ##submission.copyrightStatement##
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library