<![CDATA[Pada penelitian sebelumnya, “Implementation of Naïve Bayes Classifier-based MachineLearning to Predict and Classify New Students at Matana University” memiliki akurasi sebesar0,73 atau 73%. Ini belum maksimal, akurasinya perlu ditingkatkan. Pada penelitian ini, untukmeningkatkan akurasi dengan penggunaan model yang berbeda, yaitu model Decision Tree.Alasan memilih Decision Tree adalah prediktor yang digunakan tidak banyak (empat prediktor)dan dapat digunakan untuk klasifikasi atau prediksi. Empat prediktor tersebut, yaitu frekuensi,lokasi, jurusan siswa di SMA/K, dan program studi yang diminati. Targetnya adalah status masukdari calon mahasiswa. Metode penelitian yang dilakukan yaitu pengumpulan data, prapemrosesan,proses machine learning dengan model Decision Tree dan visualisasi hasil. Bahasapemrograman yang digunakan adalah Python. Hasil dari Decision Tree ini memperlihatkanperubahan, melalui sepuluh kali eksekusi diperoleh rata – rata akurasi rasio data latih dan data uji,70:30 sebesar 0,727 atau 72,7% (akurasi terendah 47% dan tertinggi 87%), untuk rasio 80:20sebesar 0,73 atau 73% (akurasi terendah 60% dan tertinggi 90%). Dengan demikian, hasil darimodel Decision Tree ini secara rata – rata belum melampaui hasil dari model Naïve BayesClassifier. Penelitian lebih lanjut, meningkatkan jumlah dan variasi data,memperkecil selisih hasilsetiap kali model dieksekusi, mencoba model lain, dan mengembangkan aplikasi siap pakai.]]>
Copyrights © 2021
