PERBANDINGAN METODE DATA MINING UNTUK PREDIKSI NILAI DAN WAKTU KELULUSAN MAHASISWA PRODI TEKNIK INFORMATIKA DENGAN ALGORITMA C4,5, NAÏVE BAYES, KNN DAN SVM

Abstrak

Abstrak - Kelulusan mahasiswa merupakan salah satu hal yang harus diperhatikan karena termasuk ke dalam Standar Penjaminan Mutu Internal suatu perguruan tinggi. Program Studi Teknik Informatika merupakan salah satu prodi yang ada di Universitas Suryakancana. Untuk kelulusan terdapat standar yang akan dicapai oleh prodi yaitu waktu studi yaitu empat tahun dan IPK minimal 3,00. Untuk dapat mencapai mutu lulusan tersebut dibutuhkan suatu prediksi tingkat kelulusan dengan standar yang telah ditetapkan untuk mahasiswa yang masih menjalankan studi sehingga dapat dilakukan langkah antisipasi dari awal sehingga dapat menanggulangi terjadinya permasalahan dalam bidang akademik. Untuk memprediksi tingkat kelulusan dan IPK standar tersebut digunakan metode data mining dengan fungsi klasifikasi. Metodologi penerapan data mining ini menggunakan tahapan Discovery Knowledge of Databases (KDD)  dimulai dari tahap selecting, preprocessing, transformation, data mining dan evaluation/interpretation. Teknik yang akan digunakan untuk model data mining klasifikasi ini terdiri dari empat algoritma yaitu C4.5, Support vector machine (SVM), k-nearest neigbor (kNN,) dan Naïve Bayes. Metoda klasifikasi terdiri dari variabel-variabel prediktor dan satu variabel target. Variabel-variabel prediktor terdiri dari jenis kelamin dan indeks prestasi dari semester 3 hingga 6. Perangkat lunak yang digunakan untuk mengolah data yaitu software Rapid Miner. Hasil akhir dari keempat algoritma tersebut diperoleh bahwa algoritma Naïve Bayes merupakan algoritma terbaik untuk memprediksi kelulusan mahasiswa yang tepat waktu dan IPK ≥ 3 dengan nilai accuracy  (76,79%), error (23,17%) , dan AUC (0,850).

Abstract - Graduate students is one factor that must be considered because it is included in the Quality Assurance Standards. The Informatic Engineering Department is one of the department at Suryakancana University. For the graduate standard that will be approved by the department, time period graduation is four years and a minimum GPA of 3.00. To achieve the required level of success, the predetermined standard level must be set for students to be anticipated from the start so they can overcome problems in the academic field. To predict the graduation rate and GPA standard the data mining method is used with the classification function. This data mining implementation methodology uses the stages of Discovery Knowledge of Databases (KDD) starting from selecting, preprocessing, transformation, data mining and evaluation / interpretation. The technique that will be used for this data mining model consists of four algorithms, such as C4.5, Support vector machine (SVM), the nearest k-neigbor (kNN,) and Naïve Bayes. The classification method consists of predictor variables and one target variable. Predictor variables consist of gender and achievement index from semester 3 to 6. The software used to process data is RapidMiner software. The final results of the following four algorithms generated from the Naïve Bayes algorithm are the best algorithms for predicting timely student graduation and GPA ≥ 3 with accuracy (76.79%), errors (23.17%), and AUC (0.850).