Perbandingan Algoritma C4.5 dan k-Means Dalam Memprediksi Kategori Indeks Prestasi Mahasiswa
Keywords:
prediksi indeks prestasi mahasiswa, akurasi data mining, C4.5, k-MeansAbstract
Penelitian ini dilakukan untuk membandingkan akurasi prediksi algoritma C4.5 dan k-Means dalam memprediksi nilai indeks prestasi semester 1 mahasiswa FTI UKDW. Data yang digunakan adalah data mahasiswa FTI UKDW angkatan 2008-2016 sebagai data latih, dan angkatan 2017 sebagai data uji. Atribut yang digunakan akan dibedakan berdasarkan jalur prestasi dan non-prestasi. Jalur prestasi menggunakan atribut kategori, status, lokasi, dan level ICE, sedangkan jalur non-prestasi menggunakan atribut kategori, status, lokasi, level ICE, numerik, verbal, spasial, analogi. Akurasi akan dihitung menggunakan cross-tabulation. Algoritma C4.5 mendapatkan hasil terbaik sebesar 77,45% dan algoritma k-Means mendapatkan hasil terbaik sebesar 60,78%. Skenario dengan jalur prestasi mendapatkan hasil rata-rata akurasi sebesar 55,27% dan skenario dengan jalur non-prestasi mendapatkan hasil rata-rata akurasi sebesar 38,95%.
References
Andi, “Pendaftaran Program Sarjana”, UKDW, 11-Sep-2019. [Online]. Available: https://www.ukdw.ac.id/pendaftaran-program-sarjana/
R. G. Santosa and A. R. Chrismanto, “Perbandingan Akurasi Model Regresi Logistik untuk Prediksi Kategori IP Mahasiswa Jalur Prestasi dengan Non Jalur Prestasi,” Jurnal Teknik & Ilmu Komputer, vol. 7, no. 25, pp. 107-121, Januari 2018.
D. Alverina, A. R. Chrismanto, and R. G. Santosa, “Perbandingan Algoritma C4.5 Dan Cart Dalam Memprediksi Kategori Indeks Prestasi Mahasiswa,” Jurnal Teknologi dan Sistem Komputer, vol. 6, no. 2, April 2018. doi: 10.14710/jtsiskom.6.2.2018.76-83, [Online].
R. G. Santosa and A. R. Chrismanto, “Logistic Regression Model for Predicting First Semester Students GPA Category Based on High School Academic Achievement.,” Journal of Arts, Science & Commerce, vol. VIII, no. 2(1), pp. 58-66, April 2017.
V. H. A. Sari, “Perbandingan Algoritma K-nearest Neighbor Dan Naïve Bayes Classifier Dalam Memprediksi Kategori Indeks Prestasi Mahasiswa”. [Online]. Available: http://sinta.ukdw.ac.id
J. Han, M. Kamber, and J. Pei, Data mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann, 2012.
B. Hssina, A. Merbouha, H. Ezzikouri, and M. Erritali, “A comparative study of decision tree ID3 and C4.5,” International Journal of Advanced Computer Science and Applications, vol. 4, no. 2. doi: 10.14569/specialissue.2014.040203. [Online].
O. J. Oyelade, O. O. Oladipupo, and I. C. Obagbuwa, “Application of k-Means Clustering algorithm for prediction of Students’ Academic Performance,” International Journal of Computer Science and Information Security, vol. 7, pp. 292–295, 2010. [Online].
R. D. Ramadhani. “Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Universitas Dian Nuswantoro”. [Online]. Available: http://eprints.dinus.ac.id
M. Bramer, Principles of Data Mining (2nd ed.). London: Springer-Verlag London, 2013
M. Kantardzic, Data Mining: Concepts, Models, Methods, and Algorithms (2nd ed.). John Wiley & Sons, 2011.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Gabriella Amelia Prasetyo, R. Gunawan Santosa, Antonius Rachmat Chrismanto
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Authors who publish articles in JUTEI agree on the following rules:
1. The author grants non exclusive royalty free rights, and is willing to publish articles online and complete (full access). With such rights JUTEI reserves the right to save, transfers, manages in various forms, maintains and publishes articles while keeping the author's name as the copyright owner.
2. Each author contained in the article has contributed fully to the substance and intellectual, and is accountable to the public. If in the future there is a copyright infringement notification then this will be responsibility of the author, not JUTEI.
