ANALISIS PENGGUNAAN ALGORITMA KLASIFIKASI DALAM PREDIKSI KELULUSAN MENGGUNAKAN ORANGE DATA MINING
DOI:
https://doi.org/10.36341/rabit.v8i1.3009Kata Kunci:
Kelulusan, Klasifikasi, Naive Bayes, K-NN, Neural NetworkAbstrak
Kelulusan secara tepat waktu dalam Perguruan Tinggi merupakan harapan dari mahasiswa. Salah satu syarat untuk lulus dalam studi nya, mahasiswa harus menempuh tahapan akhir yaitu menyelesaikan tugas akhir atau skripsi. Tetapi waktu kelulusan tidak selalu dapat memprediksi kapan mahasiswa akan lulus. Banyak faktor yang menyebabkan kelulusan mahasiswa seperti IPK, SKS, status pekerjaan dan lain sebagainya. Melihat hal tersebut penting adanya sebuah metode yang dapat memprediksi kelulusan mahasiswa, akan tetapi pada beberapa Perguruan Tinggi belum memiliki metode tersendiri untuk dapat memperkirakan kelulusan mahasiswanya apakah mahasiswa tersebut dapat lulus tepat waktu atau tidak. Untuk mengatasi hal tersebut, maka diperlukan sebuah model untuk dapat memprediksi kelulusan mahasiswa. Pada penelitian kali ini dilakukan analisis terhadap 3 metode yaitu Naive Bayes, K-NN dan Neural Network. Tujuan daripada penelitian ini yaitu untuk mengetahui metode mana yang lebih tepat digunakan dalam memprediksi kelulusan. Pada penelitian ini juga dilakukan perbandingan antara ketiga metode tersebut, dan didapatkan metode terbaik yaitu metode K-NN dengan nilai akurasi 89%.
Unduhan
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
1. Hak cipta dari semua manuskrip jurnal dipegang oleh RABIT: Jurnal Teknologi dan Sistem Informasi Univrab.
2. Ketentuan hukum formal untuk mengakses artikel digital jurnal elektronik tunduk pada ketentuan lisensi Creative Commons Attribution-ShareAlike (CC BY-NC-SA), yang berarti bahwa RABIT: Jurnal Teknologi dan Sistem Informasi Univrab berhak untuk menyimpan, mentransfer media / format, mengelola dalam bentuk basis data, memelihara, dan menerbitkan artikel.
3. Naskah yang diterbitkan baik cetak maupun elektronik adalah akses terbuka untuk tujuan pendidikan, penelitian, dan perpustakaan. Selain itu, dewan editorial tidak bertanggung jawab atas pelanggaran hukum hak cipta.