Komparasi Data Mining Naive Bayes dan Neural Network memprediksi Masa Studi Mahasiswa S1

Azahari, Azahari; Yulindawati, Yulindawati; Dewi, Rosita; Mallala, Syamsuddin

doi:10.25126/jtiik.2020732093

Cited by 9 publications

(13 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Selain itu lama studi mahasiswa menggambarkan tingkat capaian mahasiswa dalam pendidikannya. Lama studi juga sangat berpengaruh pada kualitas program studi karena lama studi mahasiswa merupakan salah satu kriteria penilaian akreditasi [1]. Lama studi merupakan jangka waktu yang diperlukan mahasiswa dalam menyelesaikan pendidikanya.…”

Section: Pendahuluanunclassified

“…Salah satu cara untuk menyelesaikan masalah prediksi adalah menggunakan teknik data mining. Data mining merupakan cabang ilmu baru untuk mengatasi masalah pengalian informasi atau pola yang penting atau menarik [1] dan pengetahuan abstrak dari sebuah database yang besar [5] yang meliputi bentuk dan/atau hubungan antar data. [6] juga mendefinisikan data mining sebagai proses ektraksi informasi untuk memperoleh pengetahuan dan menemukan pola pada tumpukan data berskala besar.…”

Section: Pendahuluanunclassified

“…Data mining merupakan cabang ilmu baru untuk mengatasi masalah penggalian informasi atau pola yang penting atau menarik dari data dalam jumlah besar [1]. Ada pula yang menyatakan bahwa data mining adalah proses ektraksi informasi untuk memperoleh pengetahuan dan menentukan pola pada tumpukan data dalam database berskala besar [6].…”

Section: Data Miningunclassified

See 2 more Smart Citations

Perbandingan Tingkat Akurasi Metode KNN Dan Decision Tree Dalam Memprediksi Lama Studi Mahasiswa

Etriyanti¹

2021

View full text Add to dashboard Cite

Kualitas lulusan dari sebuah Perguruan Tinggi salah satunya dapat dilihat dari lama studi mahasiswa. Selain itu lama studi mahasiswa menggambarkan tingkat capaian mahasiswa dalam pendidikannya. Lama studi juga sangat berpengaruh pada kualitas program studi karena lama studi mahasiswa merupakan salah satu kriteria penilaian akreditasi. Seringkali masalah yang dihadapi oleh suatu Perguruan Tinggi adalah banyaknya mahasiswa yang menyelesaikan pendidikannya lebih dari jangka waktu yang ditetapkan. STMIK Bina Nusantara Jaya Lubuklinggau juga mengalami hal tersebut. Untuk mengantisipasi hal tersebut perlu adanya prediksi lama studi mahasiswa karena lama studi mahasiswa menjadi salah satu hal yang penting yang perlu diperhatikan bagian program studi dalam suatu Perguruan Tinggi. Penelitian ini berkontribusi secara teoretis dalam implementasi data mining untuk memprediksi lama studi mahasiswa.Penelitian ini menerapkan preprocessing data untuk memperoleh data dengan kualitas baik sebelum dilakukan proses mining menggunakan metode K-Nearest Neighbor dan Decision Tree pada Tools RapidMiner, kedua metode divalidasi menggunakan K-Fold Cross Validation (dengan 10 kali iterasi/pengulangan) dan Confusion Matrix digunakan untuk memvalidasi nilai akurasi hasil prediksi. Nilai akurasi yang paling tinggi dari hasil penerapan kedua metode akan direkomendasikan untuk menyelesaikan masalah prediksi lama studi mahasiswa. Dari hasil penelitian diperoleh nilai akurasi metode Decision Tree (60,38%) lebih baik jika dibandingkan dengan nilai akurasi metode K-Nearest Neighbor (53,08%).

show abstract

Section: Pendahuluanunclassified

See 1 more Smart Citation

Perbandingan Tingkat Akurasi Metode KNN Dan Decision Tree Dalam Memprediksi Lama Studi Mahasiswa

Etriyanti¹

2021

View full text Add to dashboard Cite

show abstract

“…Algoritma K-NN bekerja berdasarkan jarak terpendek dari Query instance ke training data untuk menentukan K-NNnya dan merupakan salah satu cara untuk menghitung jarak dekat atau jauhnya suatu data menggunakan metode euclidian distance [2]. Sedangkan metode Naive Bayes adalah salah satu algoritma pembelajaran induktif yang paling efektif dan efisien untuk machine learning dan Data Mining [3]. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema Bayes.…”

Section: Penelitian Ini Memiliki Tujuan Untuk Menerapkan Algoritma K-nn Dan Naive Bayes Guna Memprediksi Tingkat Kelulusan Mahasiswa DI Sunclassified

Analisis Metode K-Nearest Neighbors (K-NN) Dan Naive Bayes Dalam Memprediksi Kelulusan Mahasiswa

Kartarina

Sriwinarti

Juniarti

2021

jtim

View full text Add to dashboard Cite

In this research the author aims to apply the K-NN and Naive Bayes algorithms for predicting student graduation rates at Sekolah Tinggi Pariwisata (STP) Mataram, The comparison of these two methods was carried out because based on several previous studies it was found that K-NN and Naive Bayes are well-known classification methods with a good level of accuracy. But which one has a better accuracy rate than the two algorithms, that's what researchers are trying to do. The output of this application is in the form of information on the prediction of student graduation, whether to graduate on time or not on time. The selection of STP as the research location was carried out because of the imbalance between the entry and exit of students who had completed their studies. Students who enter have a large number, but students who graduate on time according to the provisions are far very small, resulting in accumulation of the high number of students in each period of graduation, so it takes the initial predictions to quickly overcome these problems. Based on the results of designing, implementing, testing, and testing the Student Graduation Prediction Application program using the K-NN and Naive Bayes Methods with the Cross Validation method, the result is an accuracy for the K-NN method of 96.18% and for the Naive Bayes method an accuracy of 91.94% with using the RapideMiner accuracy test. So based on the results of the two tests between the K-NN and Naive Bayes methods which produce the highest accuracy, namely the K-NN method with an accuracy of 96.18%. So it can be concluded that the K-NN method is more feasible to use to predict student graduation

show abstract

“…Penelitian ini bertujuan untuk prediksi kelulusan mahasiswa di STMIK Widya Cipta Dharma (WiCiDa) Samarinda. Atribut yang digunakan yaitu, umur saat masuk kuliah, klasifikasi kota asal Sekolah Menengah Atas, pekerjaan ayah, program studi, kelas, jumlah saudara, dan Indeks Prestasi Kumulatif (IPK) (Azahari et al, 2020) (Amelia, Lumenta and Jacobus, 2017). Penelitian terakhir terkait prediksi kelulusan mahasiswa dilakukan pada penelitian berjudul Aplikasi Prediksi Kelulusan Mahasiswa Dengan Metode Linear Discriminant Analysis yang dilakuka oleh Sulistio.…”

Section: Pendahuluanunclassified

Case based Reasoning Prediksi Waktu Studi Mahasiswa Menggunakan Metode Euclidean Distance dan Normalisasi Min-Max

Wahanani

Swari

Akbar

2020

JTIIK

View full text Add to dashboard Cite

Salah satu penyebab dari lamanya waktu tempuh mahsiswa di Jurusan Informatika UPN “Veteran” Jawa Timur adalah sullitnya memantau kemajuan studi mahasiswa secara seksama, mengingat jumlah mahasiswa yang cukup banyak serta pihak akademik belum memiliki metode yang akurat untuk memetakan mahasiswa yang diprediksi akan mengalami keterlambatan dalam penyelesaian studinya. Melalui perkembangan teknologi informasi yang berkembang pesat saat ini, maka sangat dimungkinkan untuk membuat sebuah sistem yang mampu memprediksi kemungkinan keterlambatan kelulusan mahasiswa melalui penggunaan berbagai metode komputasi yang ada. Salah satu pendekatan yang dapat digunakan untuk membuat sebuah sistem prediksi kelulusan adalah menggunakan pendekatan populer yang digunakan dalam pembuatan sistem cerdas (intelligent system) yaitu case based reasoning (CBR). Langkah-langkah yang dilakukan pada penelitian ini adalah melakukan pengumpulan dan memasukkan data kasus pada basis kasus, melakukan praprosesing yakni normalisasi atribut yang akan digunakan dalam perhitungan similartitas antar kasus menggunakan normalisasi min-max, implementasi CBR menggunakan metode Euclidean Distance, serta melakukan pengujian pada 141 data kasus. Dari sisi perhitungan akurasi, sistem mampu memberikan nilai akurasi paling tinggi sebesar 100% pada pada pengujian berdasarkan predikat kelulusan, sedangkan berdasarkan ketepatan waktu, sistem mampu memberikan akurasi tertinggi dengan nilai 85,71%, dan sistem mampu memberikan nilai akurasi tertinggi sebesar 71,43% pada pengujian berdasarkan massa studi. Untuk pengujian presisi, sistem mampu mengasilkan nilai terbesar berturut-turut sebesar 90,90%, 43,33%, dan 100%. Sedangkan pada pengujian sensitivitas, sistem berturut-turut mampu menghasilan nilai sebesar 90,90%, 40,48%, dan 100%. Hasil pengujian ini tentunya sangat bergantung dari basis kasus yang dimiliki, oleh sebab itu perbaikan dan peningkatan jumlah kasus yang dimiliki diharapkan mampu meningkatkan performa sistem rekomendasi. AbstractOne of the reasons for the length of study time for students of the Informatics study program of UPN "Veteran" Jawa Timur is the difficulty of monitoring the progressy, given the large number of students and academics do not have an accurate method to map students who are predicted to experience delays. It is possible to create a system that is able to predict the possibility of student graduation delay through the use of various existing computational methods. One approach that can be used to create a graduation prediction system is to use the popular approach namely case based reasoning (CB). The steps taken in this study are collecting and entering case data, normalizing the attributes using min-max normalization, implementing CBR using the Euclidean Distance, and system testing in 141 data case. System is able to provide the highest accuracy value of 100% in testing based on the predicate of graduation, while based on timeliness, the system is able to provide the highest accuracy value with a value of 85.71%, and the system is able to provide the highest accuracy value of 71.43%. on testing based on the study period. For precision testing, the system was able to produce the largest values of 90.90%, 43.33% and 100%, respectively. Whereas in the sensitivity test, the system was able to produce values of 90.90%, 40.48%, and 100% respectively. The results of this test are of course very dependent on the basis of cases that are owned, therefore improvements and an increase in the number of cases owned are expected to be able to improve the performance.

show abstract

Komparasi Data Mining Naive Bayes dan Neural Network memprediksi Masa Studi Mahasiswa S1

Cited by 9 publications

References 1 publication

Perbandingan Tingkat Akurasi Metode KNN Dan Decision Tree Dalam Memprediksi Lama Studi Mahasiswa

Perbandingan Tingkat Akurasi Metode KNN Dan Decision Tree Dalam Memprediksi Lama Studi Mahasiswa

Analisis Metode K-Nearest Neighbors (K-NN) Dan Naive Bayes Dalam Memprediksi Kelulusan Mahasiswa

Case based Reasoning Prediksi Waktu Studi Mahasiswa Menggunakan Metode Euclidean Distance dan Normalisasi Min-Max

Contact Info

Product

Resources

About