Perbandingan Kinerja 6 Algoritme Klasifikasi Data Mining untuk Prediksi Masa Studi Mahasiswa

Mariana Windarti, Agustinus Suradi

Abstract


Salah satu faktor yang memengaruhi kualitas sebuah perguruan tinggi adalah kinerja mahasiswa yang dapat diukur melalui lamanya masa studi. Perolehan pengetahuan dalam basis data (sejumlah data yang besar) biasa disebut dengan data mining atau penambangan data. Penelitian ini bertujuan untuk mengetahui kinerja keenam algoritme klasifikasi yang digunakan yaitu Decision Tree (DT) C4.5, Bayesian Network (BN), K-Nearest Neighbors (KNN),  Naïve Bayes (NB), Neural Network (NN) dan SVM (Support Vector Machine). Kemudian menganalisa perbandingan kinerja keenam algoritme tersebut. Hasil penelitian menunjukkan bahwa Bayesian Network memiliki kinerja paling baik dengan nilai akurasi sebesar 80.615%, nilai presisi dan recall sebesar 0.785 dan 0.806, sedang untuk nilai AUC (Area Under Curve) termasuk dalam kategori baik yaitu 0.837. Sedangkan DT C4.5 memiliki kinerja terendah dengan nilai akurasi sebesar 76.615%.


Keywords


Data mining; Klasifikasi; Masa studi; Perbandingan;

Full Text:

PDF (Indonesian)

References


Adhatrao, K., Gaykar, A., Dhawan, A., Jha, R., & Honrao, V. (2013). Predicting students’ performance using ID3 and C4.5 classification algorithms. International Journal of Data Mining and Knowledge Management Process, 3(5), 39–52.

Dogan, N., & Tanrikulu, Z. (2013). A comparative analysis of classification algorithms in data mining for accuracy, speed and robustness. Information Technology and Management, 14(2), 105–124.

Friedman, N., Geiger, D., & Goldszmidt, M. (1997). Bayesian Network Classifiers. Machine Learning, 29, 131–163.

Gorunescu, F. (2011). Data Mining Concept, Models and Techniques. Berlin Heidelberg: Springer.

Gulati, P., & Sharma, a. (2012). Educational Data Mining for Improving Educational Quality. International Journal of Computer Science and Information Technology & Security, 2(3), 648–650.

Jek Siang, J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Penerbit Andi.

Jiawei, H., & Kamber, M. (2001). Data mining: concepts and techniques. San Francisco, CA, itd: Morgan Kaufmann.

Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: C.V ANDI OFFSET (Penerbit ANDI).

Meigaran, I., Dr. Wawan Setiawan, M. K., & Lala Septem Riza, M. (2012). PENGGUNAAN METODE BAYESIAN NETWORK DALAM SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT LEUKEMIA. Uma Ética Para Quantos?, XXXIII(2), 81–87.

Rangra, K. (2014). Comparative Study of Data Mining Tools. International Journal of Advanced Research in Computer Science and Software Engineering, 4(6), 216–223.

Roselina, Y. N., S, S. P. E. S. G., Akbar, M., & Si, S. (2012). Aplikasi Diagnosa Penyakit Asma Menggunakan Bayesian Network Berbasis Web, 1(September), 1–10.

Sakshi, & Kare, S. (2015). A Comparative Analysis of Classification Techniques on Categorical Data in Data Mining. International Journal on Recent and Innovation Trends In Computing and Communication (IJRITCC), 3(8), 5142–5147.

Setyawan, D., & Suradi, A. (2017). Implementasi web service dan analisis kinerja algoritma klasifikasi data mining untuk memprediksi diabetes mellitus. Jurnal SIMETRIS, 8(2), 701–710.

Sumathi, S., & Sivanandam, S. N. (2006). Introduction to Data Mining and its Applications. Studies in Computational Intelligence (Vol. 29).

Sunjana. (2010). Aplikasi Mining Data Mahasiswa Dengan Metode Klasifikasi Decision Tree. In Seminar Nasional Aplikasi Teknologi Informasi (SNATI) (pp. A24–A29).

Taruna, S., & Pandey, M. (2014). An empirical analysis of classification techniques for predicting academic performance. In International Advance Computing Conference (IACC) (pp. 523–528).

Widodo, P. P., Handayanto, R. T., & Herlawati. (2013). Penerapan Data Mining Dengan Matlab. Rekayasa Sains.

Windarti, M. (2018). PERBANDINGAN KINERJA ALGORITMA NAIVE BAYES DAN BAYESIAN NETWORK DALAM KLASIFIKASI MASA STUDI MAHASISWA, (September).

Windarti, M., Santoso, A. J., & Ernawati. (2015). Analisis Prediksi Masa Studi Mahasiswa Menggunakan Algoritma Bayesian Network. In Seminar Nasional Teknologi Terapan (SNTT) SV UGM.




DOI: http://dx.doi.org/10.35671/telematika.v12i1.778

Refbacks

  • There are currently no refbacks.




Indexed by:

   
   

Jurnal Telematika

ISSN 2442-4528 (online) | ISSN 1979-925X (print)
Published by : Universitas Amikom Purwokerto
Jl. Let. Jend. POL SUMARTO Watumas, Purwonegoro - Purwokerto Telp (0281) 623321 Fax (0281) 621662
Email: telematika@amikompurwokerto.ac.id

 This work is licensed under a Creative Commons Attribution-ShareAlike 4.0