Penerapan Penerapan Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Random Forest

Oon Wira Yuda; Darmawan Tuti; lim Sheih Yee; Susanti

doi:10.33372/stn.v8i2.885

Oon Wira Yuda STMIK Amik Riau
Darmawan Tuti STMIK Amik Riau
lim Sheih Yee STMIK Amik Riau
Susanti STMIK Amik Riau

DOI: https://doi.org/10.33372/stn.v8i2.885

Keywords: Data Mining, Klasifikasi, Kelulusan mahasiswa, Random Forest

Abstract

Salah satu faktor yang meningkatkan prestasi perguruan tinggi adalah kemampuan mahasiswa untuk menyelesaikan studi tepat waktu. Beberapa faktor dapat dilihat dari Indeks Prestasi Kumulatif (IPK) yang mencerminkan seluruh nilai yang diperoleh mahasiswa setiap semester yang sedang berjalan, dan jumlah SKS yang telah ditempuh mahasiswa. STMIK Amik Riau selalu berupaya untuk meningkatkan jumlah mahasiswa lulus tepat waktu secara terus menerus. Berdasarkan hal tersebut, maka dilakukan penelitian pada STMIK Amik Riau yang bertujuan untuk mengatasi masalah mahasiswa yang tidak lulus tepat waktu. Untuk mencapai tujuan tersebut, pada penelitian ini digunakan metode klasifikasi untuk mengklasifikasi kelulusan mahasiswa berdasarkan beberapa kategori yang telah ditentukan. Proses klasifikasi ini menggunakan algoritma Random Forest. Dengan menggunakan algoritma random forest ini dalam mengklasifikasi kelulusan mahasiswa, diperoleh tingkat akurasi sebesar 98%. Nilai akurasi yang diperoleh ini menunjukkan bahwa proses klasifikasi yang dilakukan sangat akurat.

References

Alita, D., & Isnain, A. R. (2020). Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi, 8(2), 50–58. https://doi.org/10.23960/komputasi.v8i2.2615
Annur, H. (2018). Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes. ILKOM Jurnal Ilmiah, 10(2), 160–165. https://doi.org/10.33096/ilkom.v10i2.303.160-165
Asriningtias, Y., & Mardhiyah, R. (2014). Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa. Informatika, 8(1), 837–848.
BAN-PT. (2008). No Title. Buku VI Matriks Penilaian Instrumen Akreditasi Program Studi Badan Akreditasi Nasional Perguruan Tinggi.
Etriyanti, E. (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
Hizham, F. A., Nurdiansyah, Y., & Firmansyah, D. M. (2018). Implementasi metode Backpropagation Neural Network (BNN) dalam sistem klasifikasi ketepatan waktu kelulusan mahasiswa. Berkala Sainstek, 6(2), 97–105.
Ketut, I., Suniantara, P., & Rusli, M. (2017). Klasifikasi Waktu Kelulusan Mahasiswa Stikom Bali Menggunakan Chaid Regression – Trees dan Regresi Logistik Biner. Statistika, 5(1), 27–32.
Kurnawan, I., Marisa, F., & Purnomo, P. (2018). Implementasi Data Mining Dengan Algoritma Apriori Untuk Memprediksi Tingkat Kelulusan Mahasiswa. Jurnal Teknologi Dan Manajemen Informatika, 4(1). https://doi.org/10.26905/jtmi.v4i1.1894
Lumban Gaol, L. Y., Safii, M., & Suhendro, D. (2021). Prediksi Kelulusan Mahasiswa Stikom Tunas Bangsa Prodi Sistem Informasi Dengan Menggunakan Algoritma C4.5. Brahmana : Jurnal Penerapan Kecerdasan Buatan, 2(2), 97–106. https://doi.org/10.30645/brahmana.v2i2.71
Ma’sum, J., Febriani, A., & Rachmawaty, D. (2021). Journal Of Industrial Engineering And Technology ( Jointech ) UNIVERSITAS MURIA KUDUS Analisis Postur Kerja pada Stasiun Kerja Proses Som Kaos Kaki. 1(2), 52–60.
Mardi, Y. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4.5. Edik Informatika, 2(2), 213–219. https://doi.org/10.22202/ei.2016.v2i2.1465
Nugroho, M. F., & Wibowo, S. (2017). Fitur Seleksi Forward Selection Untuk Menetukan Atribut Yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa Fakultas Ilmu Komputer UNAKI Semarang Menggunakan Algoritma Naive Bayes. Jurnal Informatika Upgris, 3(1), 63–70. https://doi.org/10.26877/jiu.v3i1.1669
Rahman, M. F., Alamsah, D., & Darmawidjadja, M. I. (2017). Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (RBNN). Jurnal Informatika, 11(1), 36. https://doi.org/10.26555/jifo.v11i1.a5452
Rahmansyah, A., Dewi, O., Andini, P., Hastuti, T., Ningrum, P., & Suryana, M. E. (2018). Membandingkan Pengaruh Feature Selection Terhadap Algoritma Naïve Bayes dan Support Vector Machine. Seminar Nasional Aplikasi Teknologi Informasi (SNATi), 1907–5022.
Rudy Hendrawan, I. N., Budhi Saputra, I. M. A., Cahya Dewi, G. A. P., Adi Pranata, I. G. S., & Wedasari, N. L. N. (2022). Klasifikasi Lama Studi dan Predikat Kelulusan Mahasiswa menggunakan Metode Naïve Bayes. Jurnal Eksplora Informatika, 11(1), 50–56. https://doi.org/10.30864/eksplora.v11i1.606
Suhada, K., Elanda, A., & Aziz, A. (2021). Klasifikasi Predikat Tingkat Kelulusan Mahasiswa Program Studi Teknik Informatika dengan Menggunakan Algoritma C4.5 (Studi Kasus: STMIK Rosma Karawang). Dirgamaya: Jurnal Manajemen Dan Sistem Informasi, 1(2), 14–27. https://doi.org/10.35969/dirgamaya.v1i2.182
Sukarna Royan, Ansori Yulian, S. (2021). Implementasi Data Mining Menggunakan Metode Naive Bayes Dengan Feature Selection Untuk Prediksi Kelulusan Mahasiswa Tepat Waktu. In SAINTEK | Jurnal Sains & Teknologi (Vol. 5, Issue 2, pp. 9–22).
Utami, yohana T., Shofiana, D. A., & Heningtyas, Y. (2020). Penerapan Algoritma C4.5 Untuk Prediksi Churn Rate Pengguna Jasa Telekomunikasi. Jurnal Komputasi, 8(2), 69–76. https://doi.org/10.23960/komputasi.v8i2.2647