PERBANDINGAN ALGORITMA DATA MINING UNTUK PRESTASI BELAJAR MAHASISWA FIK

Main Article Content

Green Ferry Mandias Green Arther Sandag Kristop Nenoharan

Abstract

Prestasi belajar merupakan salah satu aspek yang paling penting dalam bidang pendidikan dan menjadi harapan semua pihak. Bagi pihak perguruan tinggi prestasi belajar mahasiswanya merupakan salah satu indikator efektif proses belajar mengajar, yang sekaligus dapat digunakan untuk meningkatkan citra perguruan tinggi. Di perguruan tinggi prestasi belajar yang dicapainya oleh mahasiswa menggunakan Indeks Prestasi Kumulatif (IPK). Data demografi dan data akademik mahasiswa dapat digunakan dalam menganalisis dan memprediksi kinerja mahasiswa dengan menggunakan algoritma data mining diantaranya adalah Naive bayes, Decision Tree, K-Nearest Neighbor dan Random Forest. Dalam penelitian ini menggunakan 10-fold cross validation untuk memprediksi tingkat error dari data. Dataset dibagi dua yaitu data trainning dan data testing.  Dari penelitian yang telah dilakukan maka didapatkan Random Forest memiliki tingkat akurasi yang paling tinggi dengan bobot 95.12%. Fitur yang paling berpengaruh adalah sekolah (SMA dan sederajat) dengan bobot 0.202. Berdasarkan hasil tersebut dapat disimpulkan bahwa ranndom forest memiliki accuracy yang paling tinggi dari ketiga algoritma lainnya.
Kata Kunci : Naive bayes, Decision Tree, K-Nearest Neighbor, Random Forest.

Downloads

Download data is not yet available.

Article Details

Section
Articles