Algoritma J48 Dan Logistic Model Tree Untuk Memprediksi Predikat Kelulusan Mahasiswa: Studi Kasus STT XYZ

  • Meriska Defriani Sekolah Tinggi Teknologi Wastukancana Purwakarta
  • Irsan Jaelani Sekolah Tinggi Teknologi Wastukancana Purwakarta

Abstract

Salah satu hal yang dinilai dalam proses akreditasi adalah rata-rata Indeks Prestasi Komulatif (IPK) lulusan dalam tiga tahun terakhir. Sekolah Tinggi Teknologi (STT) XYZ telah terakreditasi BAN-PT namun nilai akreditasi yang didapatkan belum maksimal. Salah satu hal yang mempengaruhi adalah rata-rata IPK lulusan yang masih rendah. Oleh karena itu, dilakukan analisis data mining dengan model klasifikasi pada data akademik dan non akademik mahasiswa. Algoritma klasifikasi yang digunakan adalah J48 dan Logistic Model Tree (LMT). Tujuan dari penelitian ini adalah untuk membandingkan algoritma J48 dan LMT dalam memprediksi IPK akhir mahasiswa melalui predikat kelulusan dan mengetahui faktor apa saja yang mempengaruhi IPK akhir mahasiswa. Data yang digunakan adalah data mahasiswa jenjang sarjana yang telah dinyatakan lulus pada yusidium tahun 2015 sampai 2019 sejumlah 1050 data. Hasil penelitian ini adalah algoritma algoritma J48 menghasilkan akurasi sebesar 75,5%, sedangkan algoritma LMT menghasilkan akurasi sebesar 73,5%. Pada kedua algoritma, atribut yang berpengaruh pada predikat kelulusan mahasiswa adalah IPS semester 2, IPS semester 1, dan IPS semester 4. Algoritma J48 mampu mengklasifikasikan predikat kelulusan mahasiswa dengan lebih baik dan melakukan proses klasifikasi dengan lebih sederhana juga membutuhkan waktu yang lebih singkat.

Kata Kunci:predikat kelulusan, klasifikasi, J48, LMT

References

Agustiani, S., Mustopa, A., Saryoko, A., Gata, W., & Wildah, S. K. (2020). PENERAPAN ALGORITMA J48 UNTUK DETEKSI PENYAKIT TIROID. Paradigma-Jurnal Komputer dan Informatika, 22(2).
Alaoui, S. S., & Dkk. (2018). Classification Algorithms in Data Mining. International Journal of Tomography and Simulation, 34–44.
Bhatia, P. (2019). Data Mining and Data Warehousing : Principles and Practical Techniques. Cambridge University Pres.
Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D. T., ... & Ma, J. (2017). A comparative study of logistic model tree, random forest, and classification and regression tree models for spatial prediction of landslide susceptibility. Catena, 151, 147-160.
Colkesen, I., & Kavzoglu, T. (2017). The Use of Logistic Model Tree (LMT) for Pixel-and-Object-Based Classifications using High-Resolution WorldView-2 Imagery. Geocarto International, 32(1), 71–86.
Kaunang, F. J. (2019). Penerapan Algoritma J48 Decision Tree Untuk Analisis Tingkat Kemiskinan di Indonesia. CogITo Smart Journal, 4(2), 348. https://doi.org/10.31154/cogito.v4i2.141.348-357
Maulana, M. F., & Defriani, M. (2020). Logistic Model Tree and Decision Tree J48 Algorithms for Predicting the Length of Study Period. PIKSEL: Penelitian Ilmu Komputer Sistem Embedded and Logic, 8(1), 39–48.
Nachiappan, M. R., Sugumaran, V., & Elangovan, M. (2016). Performance of Logistic Model Tree Classifier using Statistical Features for Fault Diagnosis of Single Point Cutting Tool. Indian Journal of Science and Technology, 9(47), 1–8.
Rokach, L., & Maimon, O. (2015). Data Mining with Decision Trees: Theory and Applications 2nd Ed. In Singapore. World Scientific Publishing Co.
Published
2020-10-29
Abstract viewed = 57 times
PDF downloaded = 246 times