PENENTUAN KLASIFIKASI DENGAN CRISP-DM DALAM MEMPREDIKSI KELULUSAN MAHASISWA PADA SUATU MATA KULIAH

Shedriko Shedriko, Muhammad Firdaus

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:

PDF

References


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.


Prosiding SEMNAS RISTEK indexed by: