STUDENTS GRADUATION PREDICTION BASED ON ACADEMIC DATA RECORD USING THE DECISION TREE ALGORITHM C4.5 METHOD
Abstrak
Abstract: An application can assist organizations in achieving the goals to be achieved by facilitating ongoing work processes. This happened in the Information Systems Study Program at one of the best private universities, namely Telkom University, where the SI Study Program has a website called PIPE and has one feature to be able to predict student graduation. However, this feature is currently being developed with an easy flow, so it requires development in the implementation of graduation achievements. Researchers solve these problems by building an assessment model based on academic data on the effect of choosing a specialization. Data mining is needed in this study to form predictive patterns, then one of the data mining groups is based on classification and using machine learning to perform automated assessments so that they can be sustainably performed. In determining the time and delay, using the decision tree method based on the C4.5 algorithm. The accuracy results obtained using the C4.5 algorithm are 94.11%, then the factor that becomes the root node is Jumlah SKS Lulus and the results have an influence on the selection of specialization. So that the results of this graduation model can be applied to the PIPE application.
Keyword: C4.5 algorithm; classification; decision tree; graduation prediction
Abstrak: Sebuah aplikasi dapat membantu organisasi dalam mencapai tujuan yang ingin dicapai dengan memudahkan proses kerja yang sedang berlangsung. Seperti yang terjadi pada Prodi Sistem Informasi yang ada pada salah satu Perguruan Tinggi Swasta terbaik yaitu Universitas Telkom, dimana pada Prodi SI memiliki website bernama PIPE dan memiliki salah satu fitur untuk dapat melakukan prediksi kelulusan mahasiswa. Namun fitur tersebut saat ini dikembangkan dengan alur penentuan sederhana, sehingga memerlukan pengembangan dalam hal implementasi algoritma prediksi kelulusan. Peneliti melakukan penyelesaian masalah tersebut dengan membangun model prediksi kelulusan berdasarkan rekam data akademik terhadap pengaruh pemilihan peminatan. Data mining dibutuhkan dalam penelitian ini untuk membentuk pola penyelesaian prediksi, kemudian salah satu pengelompokan data mining berdasarkan tugasnya adalah klasifikasi dan menggunakan machine learning untuk melakukan prediksi kelulusan secara otomatis terhadap data baru agar dapat dilakukan secara berkelanjutan. Dalam melakukan klasifikasi prediksi kelulusan tepat waktu dan terlambat, menggunakan metode decision tree berdasarkan algoritma C4.5. Hasil akurasi yang didapat dengan menggunakan algoritma C4.5 adalah sebesar 94,11%, kemudian faktor yang menjadi root node adalah Jumlah SKS Lulus dan hasil memiliki pengaruh terhadap pemilihan peminatan. Sehingga hasil model prediksi kelulusan ini dapat diterapkan pada aplikasi PIPE.
Kata kunci: algoritma C4.5; decision tree; klasifikasi; prediksi kelulusan.
Referensi
U. Telkom, “Keunggulan Telkom University,†telkomuniversity.ac.id, 2020. [Online]. Available: https://telkomuniversity.ac.id/keunggulan/.
P. Chapman et al., CRISP-DM. 2000.
I. G. A. S. Melati, Linawati, and I. A. D. Giriantari, “Knowledge Discovery Data Akademik Untuk Prediksi Pengunduran Diri Calon Mahasiswa,†Maj. Ilm. Teknol. Elektro, vol. 17, no. 3, 2018.
N. Tanjung, D. Irmayani, and V. Sihombing, “Implementation of C5 . 0 Algorithm for Prediction of Student Learning Graduation in Computer System Architecture Subjects,†SinkrOn, vol. 7, no. 1, pp. 274–280, 2022.
M. Bramer, Principles of Data Mining, no. February. London: Springer, 2007.
F. Gorunescu, Data Mining Concepts, Models and Techniques, Volume 12. Berlin: Springer, 2011.
J. Han, M. Kamber, and J. Pei, Data Mining Concepts and Techniques. USA: Elsevier, 2012.
R. Andreswari, M. A. Hasibuan, D. Y. Putri, and Q. Setyani, “Exploration Analysis of Data Mining Algorithm to Predict Student Graduation Target,†Atl. Highlights Eng. IEEE, vol. Vol 2, no. July, 2019.
M. Yusa, E. Utami, and E. T. Luthfi, “EVALUASI PERFORMA ALGORITMA KLASIFIKASI DECISION TREE ID3 ,†InfoSys J., vol. Vol 4, pp. 23–34, 2016.
Risqiati and B. Ismanto, “Analisis Komparasi Algoritma Naive Bayes Dan C4-5 Untuk Waktu Kelulusan Mahasiswa,†IC- Tech, vol. XII, no. 1, pp. 33–38, 2017.
C. N. Dengen, Kusrini, and E. T. Luthfi, “Implementasi Decision Tree Untuk Prediksi Kelulusan Mahasiswa Tepat Waktu,†ResearchGate, vol. 10, no. 1, pp. 1–11, 2020.
F. Gullo, “From Patterns in Data to Knowledge Discovery : What Data Mining Can Do,†Elsevier, vol. 62, pp. 18–22, 2015.
D. E. Goldberg and J. H. Holland, “Genetic Algorithms and Machine Learning,†in Machine Learning 3, Kluwer Academic, 1988, pp. 95–99.
A. Verma, “STUDY AND EVALUATION OF CLASSIFICATION ALGORITHMS IN DATA MINING,†Int. Res. J. Eng. Technol., vol. Vol 5, pp. 1297–1307, 2018.
Y. Kustiyahningsih and E. Rahmanita, “Aplikasi sistem pendukung keputusan menggunkaan algoritma c4.5. untuk penjurusan sma,†SimanteC, vol. 5, pp. 101–108, 2016.
Rismayanti, “Implementasi Algoritma C4.5 Untuk Menentukan Penerima Beasiswa di STT Harapan Medan,†J. Media Infotama, vol. 12, no. 2, pp. 116–120, 2016.
U. Telkom, “EPRT Kemahasiswaan,†studentstelkomuniversity.com, 2021. [Online]. Available: https://studentstelkomuniversity.com/?s=eprt.
K. D. Kolo, S. A. Adepoju, and J. K. Alhassan, “A Decision Tree Approach for Predicting Students Academic Performance,†Int. J. Educ. Manag. Eng., no. October, pp. 12–19, 2015.
M. Wibowo, F. Noviyanto, S. Sulaiman, and S. M. Shamsuddin, “Machine Learning Technique For Enhancing Classification Performance In Data Summarization Using Rough Set And Genetic Algorithm,†Int. J. Sci. Technol. Res., vol. 8, pp. 1108–1117, 2019.
