Bilah Samping Artikel

Telah diserahkan
Jul 16, 2021
Diterima
Mar 16, 2022
Diterbitkan
Mar 17, 2022
Download
PDF
Statistic
Read Counter : 303 Download : 541

Isi Artikel Utama

Abstrak

Jumlah mahasiswa yang lulus tepat waktu pada tahun angkatan tertentu di sebuah sekolah tinggi jarang mencapai seratus persen. Masalahnya jumlah mereka setiap tahun kelulusan tidak sama tergantung berbagai kondisi. Pengetahuan mengenai jumlah lulusan tepat waktu penting dalam peningkatan mutu sekolah tinggi, karena itu perlu dibangun sistem prediksi kelulusan tepat waktu berbasis komputer. Sistem prediksi ini menggunakan target data berupa data real mahasiswa Prodi Informatika yang telah lulus ditahun sebelumnya. Data ini juga digunakan sebagai data training dengan atribut NPM, Nama, IP dan IPK Semester 1 sampai 6, Jenis Kelamin, Status lulus tepat / terlambat. Data mahasiswa yang akan lulus ditahun ini sebagai data uji. Data real sekolah tinggi diolah menjadi beberapa set data yang dibutuhkan, lalu dihitung dengan menggunakan metode algoritma Decision Tree. Pengujian hasil sistem prediksi ini mendapat tingkat akurasi sebesar 92%. Sistem ini dapat memudahkan sekolah tinggi dalam meningkatkan jumlah lulusan tepat waktu dengan meningkatkan layanan terhadap mahasiswa yang tepat sasaran.

Kata Kunci

Decision Tree Sekolah Tinggi Sistem Prediksi Decision Tree Sekolah Tinggi Sistem Prediksi

Rincian Artikel

Cara Mengutip
[1]
D. D. S. Fatimah dan E. Rahmawati, “Penggunaan Metode Decision Tree dalam Rancang Bangun Sistem Prediksi untuk Kelulusan Mahasiswa”, Jurnal Algoritma, vol. 18, no. 2, hlm. 553–561, Mar 2022.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)

References

  1. T. Chandra, L. Hafni, S. Chandra, A. A. Purwati, and J. Chandra, “The influence of service quality, university image on student satisfaction and student loyalty,” Benchmarking, vol. 26, no. 5, pp. 1533–1549, 2019, doi: 10.1108/BIJ-07-2018-0212.
  2. “PENERAPAN ALGORITMA DECISION TREE ID3 UNTUK PREDIKSI KELULUSAN MAHASISWA JENJANG PENDIDIKAN D3 DI FAKULTAS TEKNIK UNIVERSITAS PANDANARAN,” Neo Tek., 2019, doi: 10.37760/neoteknika.v5i2.1391.
  3. A. Rakhman, “Prediksi Ketepatan Kelulusan Mahasiswa Menggunakan Metode Decision Tree Berbasis Particle Swarm Optimation (PSO),” Smart Comp Jurnalnya Orang Pint. Komput., 2017.
  4. R. T. Vulandari, Data Mining Teori Dan Aplikasi Rapidminer. Yogyakarta: Penerbit Gava Medika, 2017.
  5. W. GU, K. Foster, J. Shang, and L. Wei, “A Game-Predicting Expert System Using Big Data And Machine Learning,” Expert Syst. With Appl., vol. 150, p. 2019, 2019, doi: doi.org/10.1016/j.eswa.2019.04.025.
  6. D. D. S. Fatimah, V. P. Andini, and Y. Pariyatin, “Perancangan Sistem Pakar Psikologi Untuk Diagnosis Gangguan Fobia,” J. Algoritm., vol. 15, no. 1, pp. 246–254, 2017.
  7. D. D. S. Fatimah and D. A. Annisa, “Sistem Pendukung Keputusan Penyeleksian Calon Kepala Sekolah Dasar Di Dinas Pendidikan Kabupaten Garut,” J. Algoritm., vol. 13, pp. 212–218, 2016.
  8. T. Puwanto and D. D. S. Fatimah, “Pengembangan sistem pakar diagnosis penyakit cabai,” J. Algoritm., vol. 14, no. 1, pp. 510–516, 2015.
  9. E. P. Rohmawan, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Decision Tree dan Artificial Network,” J. Ilm. Matrik, pp. 21–30, 2018.
  10. A. Rohman and A. Rufiyanto, “Implementasi Data Mining Dengan Algoritma Desicion Tree C4.5 Untuk Prediksi Kelulusan Mahasiswa Di Universitas Pandanaran,” Proceeding Sintak, pp. 134–139, 2019.
  11. C. Hutabarat, “Penerapan Data Mining Untuk Memprediksi Permintaan Produk Kartu Perdana Internet Menggunakan Algoritma C5. 0 (Studi Kasus: Vidha Ponsel),” Pelita Inform. Inf. dan Inform., vol. 6, no. April, pp. 419–424, 2018.
  12. J. R. Quinlan, “Induction of Decision Trees,” Mach. Learn., 1986, doi: 10.1023/A:1022643204877.
  13. J. K. Mandal, Emerging Technologies in Data Mining and Information, vol. 2. 2018.
  14. D. Kurniadi and A. Mulyani, “Pengaruh Teknologi Mesin Pencari Google Terhadap Perkembangan Budaya dan Etika Mahasiswa,” J. Algoritm., pp. 19–25, 2017.