Baharudin
Institut Manajemen Wiyata Indonesia

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Implementasi Data Mining dalam Prediksi Mahasiswa Lulus pada Matakuliah Budi Jejen Zaenal Abidin; Baharudin
Cakrawala Repositori IMWI Vol. 7 No. 1 (2024): Cakrawala Repositori IMWI
Publisher : Institut Manajemen Wiyata Indonesia & Asosiasi Peneliti Manajemen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52851/cakrawala.v7i1.333

Abstract

Penelitian dengan tujuan kualitas pembelajaran sudah banyak diminati oleh para peneliti. Data mining yang merupakan salah satu alat untuk menganalisa Big Data, merupakan salah satu alternatif yang dapat dimanfaatkan untuk menunjang peningkatan kualitas pembelajara. Sebuah Lembaga Pendidikan yang sudah lama berdiri tentu telah memiliki data historis atau rekam jejak dari peserta didiknya yang sangat sayang jika tidak dimanfaatkan dengan baik. Salah satu Teknik yang dapat digunakan dalam data mining adalah klasifikasi. Klasifikasi merupakan alat yang popular untuk memprediksi luaran data berupa pengelompokan data sesuai dengan label yang sudah di tentukan. Dalam penelitian dihasilkan model terbaik yang dapat dimanfaatkan dimana mahasiswa sebagai peserta didik di Institusi perguruan tinggi dapat dilakukan prediksi yang lebih cepat mana mahasiswa yang memiliki kemungkinan besar untuk lulus pada matakuliah tertentu, dan mana mahasiswa yang memiliki kemungkinan tidak lulus. Hal ini akan membantu para akademisi (dosen / bagian akademik) untuk membuat strategi yang tepat untuk meningkatkan kualits mahasiswanya. Dengan kelulusan matakuliah diharapkan meningkat juga prestasi mahasiswa saat lulus kuliah nanti. Dalam proses pemodelan pada penelitian ini menggunakan tiga jenis pemodelan dengan menggunakan Decision Tree, Random Forest dan Neural Network, dengan sks. Formatif 1, perilaku tugas, dan UTS sebagai atribut input dan Status sebagai label output. Dari ke tiga jenis tersebut didapatkan bahwa decision tree memiliki performa yang ebih baik dengan nilai 98.44 %