<![CDATA[Setiap perguruan tinggi ingin mendapatkan mahasiswa yang memiliki kualitas yang baik serta dengan kwantitas yang sesuai dengan kuota yang di tetapkan dari perguruan tinggi tersebut.Kualitas calon mahasiswa baru dapat diketahui secara dini dengan mengenali pola dari karakteristik mahasiswa yang sudah ada di tahun-tahun sebelumnya dan memperhatikan lama masa studi.Algoritma C4.5 merupakan model untuk membangun sebuah pohon keputusan, algortima ini ditujukan untuk supervised learning: memberikan nilai atribut pada dataset yang digambarkan oleh koleksi atribut dan termasuk salah satu dari serangkaian kelas yang saling berhubungan. Untuk meningkatkan ketelitian dalam proses klasifikasi dan prediksi dengan caramembangkitkan kombinasi dari suatu model, maka digunakan pemodelan boosting yaitu Adaboost.Ekperimen dilakukan terhadap 546 dataset menggunakan Algortima C4.5 berbasis adaboost untuk menghasilkan akurasi. Dari eksperimen yang dilakukan menghasilkan nilai akurasi yang sama antara Algoritma C4.5 dan Algoritma C4.5 berbasis Adaboost yaitu sebesar Precision 77.33%, Accuracy 90.28%, Recall 45.54% akan tetapi terjadi perbedaan pada nilai AUC untuk Algoritma C4.5 sebesar 0.683 sedangkan untuk Algoritma C4.5 berbasi Adaboost sebesar 0,717. Pola tersebut dapat membantu untuk mengambil keputusan penerimaan mahasiswa baru yang dapat lulus tepat waktu dan mahasiswa yang lulus terlambat dapat terprediksi lebih awal.]]>
Copyrights © 2017
