PENERAPAN ALGORITMA KLASIFIKASI UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN RAPPIDMINER

Yulifda Elin Yuspita; Riri Okra; Muhammad Rezeki

doi:10.46576/djtechno.v6i1.6169

PENERAPAN ALGORITMA KLASIFIKASI UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN RAPPIDMINER

Yulifda Elin Yuspita, Riri Okra, Muhammad Rezeki

Abstract

Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang mempengaruhi tingkat kelulusan mahasiswa secara tepat waktu pada Program Studi PTIK di UIN Bukittinggi. Dalam melakukan prediksi tingkat kelulusan mahasiswa terdapat berbagai faktor yang mempengaruhi keberhasilan mahasiswa dalam menyelesaikan studi tepat waktu. Penelitian ini menerapkan metode klasifikasi guna memprediksi kelulusan mahasiswa dengan menggunakan alat bantu RapidMiner. Dataset yang digunakan adalah data mahasiswa, yang diambil dari sistem e-campus UIN Bukittinggi. Sebanyak 164 data mahasiswa angkatan 2019 digunakan sebagai sampel untuk membangun model prediksi. Data dianalisis dan diproses melalui tahapan integrasi, pembersihan data, penanganan missing values, serta normalisasi. Model klasifikasi Decision Tree dan Random Forest digunakan untuk memprediksi kelulusan mahasiswa. Hasil penelitian menunjukkan bahwa model dengan akurasi 92,92% mampu memprediksi status kelulusan mahasiswa secara efektif. Confusion Matrix menunjukkan model memiliki performa yang baik dalam memprediksi kelas “Lulus” dan “Tidak Lulus” dengan kesalahan minimum. Model ini diharapkan dapat digunakan sebagai alat bantu bagi pihak kampus dalam melakukan deteksi dini mahasiswa yang berpotensi tidak lulus tepat waktu sehingga dapat dilakukan intervensi yang sesuai.

Kata Kunci: Klasifikasi, Decicion Tree, Random Forest

Abstract

This study aims to identify factors that affect the timely graduation rate of students in the PTIK Study Program at UIN Bukittinggi. In predicting student graduation rates, there are various factors that influence the success of students in completing their studies on time. This research applies the classification method to predict student graduation using RapidMiner tools. The dataset used is student data, which is taken from the e-campus system of UIN Bukittinggi. A total of 164 2019 student data were used as samples to build a prediction model. The data is analyzed and processed through the stages of integration, data cleaning, handling missing values, and normalization. Decision Tree and Random Forest classification models are used to predict student graduation. The results showed that the model with an accuracy of 92.92% was able to predict student graduation status effectively. Confusion Matrix shows that the model has good performance in predicting the “Pass” and “Not Pass” classes with minimum error. This model is expected to be used as a tool for the campus in conducting early detection of students who have the potential not to graduate on time so that appropriate interventions can be made.

Keywords: Classification, Decision Tree , Random Forest

Full Text:

PDF PDF

References

U. Al Faruq, M. Ainun Naja Fauzi, I. Fatayasya, E. Daniati, A. Ristyawan, and N. PGRI Kediri, “Prediksi Data Kelulusan Mahasiswa Dengan Metode Decision Tree menggunakan Rapidminer,” Agustus, vol. 7, pp. 2549–7952, 2023.

E. Etriyanti, D. Syamsuar, and N. Kunang, “Implementasi data mining menggunakan algoritme naive bayes classifier dan c4. 5 untuk memprediksi kelulusan mahasiswa,” Telematika, vol. 13, no. 1, pp. 56–67, 2020.

L. Setiyani, M. Wahidin, D. Awaludin, and S. Purwani, “Analisis Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Data Mining Naïve Bayes: Systematic Review,” Fakt. Exacta, vol. 13, no. 1, pp. 35–43, 2020.

C. O. F. N. BAYES, “Komparasi Data Mining Naive Bayes dan Neural Network memprediksi Masa Studi Mahasiswa S1,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, 2020.

S. Sumarlin and D. Anggraini, “Implementasi K-nearest neighbord pada rapidminer untuk prediksi kelulusan mahasiswa,” HOAQ (High Educ. Organ. Arch. Qual. J. Teknol. Inf., vol. 10, no. 1, pp. 35–41, 2019.

U. I. N. Ar-raniry, F. Tarbiyah, D. A. N. Keguruan, P. Studi, and P. Teknologi, “PENGGUNAAN METODE NAIVES BAYES UNTUK SKRIPSI Diajukan Oleh,” 2023.

E. F. Wati and B. Rudianto, “Penerapan Algoritma KNN, Naive Bayes Dan C4. 5 Dalam Memprediksi Kelulusan Mahasiswa,” J. Format, vol. 11, no. 2, pp. 168–175, 2022.

U. A. Wizsa, Y. E. Yuspita, and W. D. Rahayu, “Decision-Making System for KIP IAIN Bukittinggi Scholarship Recipients Using the SAW and TOPSIS Methods.”

M. R. Qisthiano, P. A. Prayesy, and I. Ruswita, “Penerapan algoritma decision tree dalam klasifikasi data prediksi kelulusan mahasiswa,” G-Tech J. Teknol. Terap., vol. 7, no. 1, pp. 21–28, 2023.

E. Novianto, A. Hermawan, and D. Avianto, “Klasifikasi Algoritma K-Nearest Neighbor, Naive Bayes, Decision Tree Untuk Prediksi Status Kelulusan Mahasiswa S1,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 8, no. 2, pp. 146–154, 2023.

I. Iskandar, L. Hiryanto, and J. Hendryli, “Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree C4. 5 Dengan Teknik Pruning,” J. Ilmu Komput. Dan Sist. Inf., vol. 6, no. 1, pp. 64–68, 2018.

E. Ismanto and M. Novalia, “Komparasi Kinerja Algoritma C4. 5, Random Forest, dan Gradient Boosting untuk Klasifikasi Komoditas.,” Techno. Com, vol. 20, no. 3, 2021.

A. Andri, “Implementasi Teknik Data Mining Untuk Memprediksi Tingkat Kelulusan Mahasiswa Pada Universitas Bina Darma Palembang,” Implementasi Tek. Data Min. Untuk Memprediksi Tingkat Kelulusan Mhs. Pada Univ. Bina Darma Palembang, 2022.

Y. Yunus and G. W. Nurcahyo, “Perbandingan algoritma c4. 5 dan naive bayes dalam prediksi kelulusan mahasiswa,” J. CoSciTech (Computer Sci. Inf. Technol., vol. 4, no. 1, pp. 193–199, 2023.

S. Defiyanti, “Analisis dan Prediksi Kinerja Mahasiswa Menggunakan Teknik Data Mining,” Syntax J. Inform., vol. 2, no. 1, 2013.

I. Irawan, M. R. Qisthiano, M. Syahril, and P. M. Jakak, “Optimasi Prediksi Kelulusan Tepat Waktu: Studi Perbandingan Algoritma Random Forest dan Algoritma K-NN Berbasis PSO,” J. Pengemb. Sist. Inf. Dan Inform., vol. 4, no. 4, pp. 26–36, 2023.

A. Darmawan, I. Yudhisari, A. Anwari, and M. Makruf, “Pola Prediksi Kelulusan Siswa Madrasah Aliyah Swasta dengan Support Vector Machine dan Random Forest,” J. Minfo Polgan, vol. 12, no. 1, pp. 387–400, 2023.

A. Trimanto, F. Faqih, I. M. Irfani, and S. Timur, “Penerapan Data Mining Untuk Evaluasi Status Kelulusan Mahasiswa Fakultas Teknologi Pertanian Tahun 2015 Menggunakan Algoritma Naïve Bayes Classifier,” 2015.

S. Widaningsih, “Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4, 5, Naïve Bayes, Knn Dan Svm,” J. Tekno Insentif, vol. 13, no. 1, pp. 16–25, 2019.

M. Kamil and W. Cholil, “Analisis Perbandingan Algoritma C4. 5 dan Naive Bayes pada Lulusan Tepat Waktu Mahasiswa di Universitas Islam Negeri Raden Fatah Palembang,” J. Inform., vol. 7, no. 2, pp. 97–106, 2020.

A. Rohman and A. Rufiyanto, “Implementasi data mining dengan algoritma decision tree c4. 5 untuk prediksi kelulusan mahasiswa di universitas pandanaran,” 2019.

F. Sugandi, “Prediksi Kelulusan Mahasiswa Stmik Dharmawacana Menggunakan Algoritma K-Nearest Neighbors,” Sienna, vol. 4, no. 1, pp. 20–26, 2023, doi: 10.47637/sienna.v4i1.704.

U. Suriani, “Penerapan data mining untuk memprediksi tingkat kelulusan mahasiswa menggunakan algoritma decision tree C4. 5,” J. Comput. Inf. Syst. Ampera, vol. 4, no. 2, pp. 55–65, 2023.

U. Al Faruq, M. A. N. Fauzi, I. Fatayasya, E. Daniati, and A. Ristyawan, “Prediksi Data Kelulusan Mahasiswa Dengan Metode Decision Tree menggunakan Rapidminer,” in Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 2024, vol. 8, no. 1, pp. 131–138.

Z. Nurfadilla, “Implementasi Data Mining untuk Memprediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Random Forest,” AGENTS J. Artif. Intell. Data Sci., vol. 2, no. 2, pp. 35–42, 2022.

E. S. Susanto, K. Kusrini, and H. Al Fatta, “Prediksi Kelulusan Mahasiswa Magister Teknik Informatika Universitas Amikom Yogyakarta Menggunakan Metode K-Nearest Neighbor,” Respati, vol. 13, no. 2, 2018.

I. M. B. Adnyana, “PENERAPAN TEKNIK KLASIFIKASI UNTUK PREDIKSI KELULUSAN MAHASISWA BERDASARKAN NILAI AKADEMIK,” J. Teknol. Inf. Dan Komput., vol. 7, no. 3, 2021.

W. A. Firmansyach, U. Hayati, and Y. A. Wijaya, “Analisa Terjadinya Overfitting Dan Underfitting Pada Algoritma Naive Bayes Dan Decision Tree Dengan Teknik Cross Validation,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 262–269, 2023.

A. Saifudin, “Metode data mining untuk seleksi calon mahasiswa pada penerimaan mahasiswa baru di Universitas Pamulang,” J. Teknol., vol. 10, no. 1, pp. 25–36, 2018.

N. N. Amani, M. Martanto, and U. Hayati, “PENGGUNAAN ALGORITMA DECISION TREE UNTUK PREDIKSI PRESTASI SISWA DI SEKOLAH DASAR NEGERI 3 BAYALANGU KIDUL,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 473–479, 2024.

B. Yusuf, M. Qalbi, B. Basrul, I. Dwitawati, M. Malahayati, and M. Ellyadi, “Implementasi Algoritma Naive Bayes Dan Random Forest Dalam Memprediksi Prestasi Akademik Mahasiswa Universitas Islam Negeri Ar-Raniry Banda Aceh,” Cybersp. J. Pendidik. Teknol. Inf., vol. 4, no. 1, pp. 50–58, 2020.

P. Oktaviani, I. Asror, and M. A. Bijaksana, “Analisis Implementasi Sistem OLAP dan Klasifikasi Ketepatan Waktu Lulus dan Undur Diri Mahasiswa Teknik Informatika Universitas Telkom Menggunakan Random forest,” eProceedings Eng., vol. 5, no. 2, 2018.

DOI: https://doi.org/10.46576/djtechno.v6i1.6169