PENENTUAN KLASIFIKASI DENGAN CRISP-DM DALAM MEMPREDIKSI KELULUSAN MAHASISWA PADA SUATU MATA KULIAH
Abstract
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.
Full Text:
PDFReferences
Abhigyan. (2020). Understanding The AUCROC
Curve. Retrieved July 31, 2021, from
medium.com website:
https://medium.com/analyticsvidhya/
understanding-the-auc-roc-curvecdc754d7b58a
Arthana, R. (2019). Mengenal Accuracy,
Precision, Recall dan Specificity serta
yang diprioritaskan dalam Machine
Learning. Retrieved July 31, 2021, from
medium.com website:
https://rey1024.medium.com/mengenalaccuracy-
precission-recall-danspecificity-
serta-yang-diprioritaskanb79ff4d77de8
Bennamoun, M. (2003). Single Layer
Perceptron (SLP) Classifiers. Lecture
Slide of Neural Computation, University
of Western Australia.
Dean, J. (2014). Big data, data mining, and
machine learning [internet resource]:
value creation for business leaders and
practitioners. John Wiley & Sons Inc.
Deng, N., Tian, Y., & Zang, C. (2013). Support
vector machines (SVM): Optimization
Based Theory, Algorithms and Extension.
CRC Press,Taylor & Francis Group.
Han, J., Kamber, M., & Pei, J. (2012). Data
Mining: Concepts and Techniques (Third).
https://doi.org/10.1016/C2009-0-61819-5
Hananto, V. R. (2017). Analisis Penentuan
Metode Data Mining Untuk Prediksi
Kelulusan Mahasiswa Sebagai Penunjang
Angka Efisiensi Edukasi. Jurnal Ilmiah
SCROLL, 5(1), 1–11.
Hertzmann, A., & Fleet, D. (2012). Machine
Learning and Data Mining. Computer
Science Department, University of
Toronto.
Huber, S. (2018). A holistic extension to the
CRISP-DM model. Science Direct, (12th
CIRP Conference on Intelligent
Computation in Manufacturing
Engineering, 18-20 July 2018, Gulf of
Naples, Italy).
Kleinbaum, D. G., & Klein, M. (2010). Statistics
for biology and health: Logistical
regression (pp. 1–709). pp. 1–709.
Kothari, C. R. (2004). Research Methodology,
Methods & Techniques (Second Rev).
https://doi.org/10.1016/0022-
X(82)90541-7
Manrai, T. (2020). How Data Mining is
Different Than Machine Learning.
Retrieved July 26, 2021, from
medium.com website: https://manraitarun.
medium.com/how-data-mining-isdifferent-
than-machine-learningcdcaf559d2a7
Sawla, S. (2018). Introduction to Naive Bayes
for Classification. Retrieved July 28, 2021,
from medium.com website:
https://medium.com/@srishtisawla/introd
uction-to-naive-bayes-for-classificationbaefefb43a2d
Shrestha, P. (2019). The Advantages and
Disadvantages of Neural Networks.
Retrieved July 28, 2021, from
gkstuffs.com website:
https://gkstuffs.com/futuretech/
advantages-and-disadvantages-ofneural-
networks/
Varghese, D. (2018a). Comparative Study on
Classic Machine Learning Algorithms.
Retrieved July 28, 2021, from
towardsdatascience.com website:
https://towardsdatascience.com/comparati
ve-study-on-classic-machine-learningalgorithms-
f9ff6ab222
Varghese, D. (2018b). Comparative Study on
Classic Machine Learning Algorithms
Part-2. Retrieved July 28, 2021, from
medium.com website:
https://medium.com/@dannymvarghese/c
omparative-study-on-classic-machinelearning-
algorithms-part-2-5ab58b683ec0
DOI: https://doi.org/10.30998/semnasristek.v6i1.5814
Refbacks
- There are currently no refbacks.
SEMNAS RISTEK indexed by: