<![CDATA[Universitas XYZ merupakan suatu perguruan tinggi yang memiliki mahasiswa yang relatif banyak. Keberadaan suatu tool prediksi kelulusan dalam suatu mata kuliah sangat diperlukan dalam menunjang proses belajar mengajar di universitas tersebut, untuk mendorong tingkat kelulusan yang diinginkan. Kelulusan mahasiswa dalam suatu mata kuliah dapat diprediksikan berdasarkan data masukkan yang menjadi parameternya. Banyak metode klasifikasi yang dapat digunakan dengan keunggulan dan kekurangannya masing-masing yang dapat digunakan untuk melakukan prediksi tersebut. Dengan menggunakan metodologi data mining CRISP-DM, yaitu mengkomparasi beberapa klasifikasi dalam supervised learning, dapat diperoleh nilai terbaik yang berkaitan dengan akurasi dan error. Klasifikasi yang diperbandingkan dengan menggunakan software Orange Data Mining tersebut adalah Naive Bayes (NB), Neural Network (NN), Logistic Regression (LR) dan Support Vector Machine (SVM). Objek penelitian dilakukan terhadap mahasiswa yang mengikuti mata kuliah PTI (Pengantar Teknologi Informasi). Tujuan dari penelitian ini adalah mendapatkan metode klasifikasi yang efektif dan efisien dalam menentukan kelulusan mahasiswa dalam suatu mata kuliah. Hasil penelitian menunjukkan bahwa SVM merupakan salah satu klasifikasi yang sangat robust.Kata Kunci: crisp-dm, data mining, klasifikasi, kelulusan, prediksi.]]>
Copyrights © 2022
