IMPLEMENTASI ORANGE DATA MINING UNTUK KLASIFIKASI KELULUSAN MAHASISWA DENGAN MODEL K-NEAREST NEIGHBOR, DECISION TREE SERTA NAIVE BAYES

Hozairi Hozairi, Anwari Anwari, Syariful Alim

Abstract


Proses pemantauan dan evaluasi terhadap kelulusan mahasiswa Universitas Islam Madura (UIM) sangat perlu untuk dilakukan karena tingkat kelulusan mahasiswa merupakan salah satu unsur penilaian akreditasi yang sangat penting untuk setiap Program Studi. Data Mining bisa digunakan untuk klasifikasi ketepatan kelulusan mahasiswa, penelitian ini bertujuan untuk menerapkan aplikasi orange data mining dengan menggunakan model K-Nearest Neighbor (K-NN), Decision Tree serta Naive Bayes dan selanjutnya akan dilakukan evaluasi akurasi dari masing-masing model tersebut. Penelitian ini dilakukan di Prodi Teknik Informatika Universitas Islam Madura tahun angkatan 2016, selanjutnya data mahasiswa akan dianalisa menggunakan aplikasi orange data mining dengan menggunakan model K-NN, Decision Tree serta Naive Bayes . Proses pengujian data menerapkan K-Fold Cross Validation (K=5), sedangkan model evaluasi yang digunakan adalah Confusion Matrix  dan ROC. Hasil perbandingan ketiga model sebagai berikut, K-NN memiliki tingkat akurasi sebesar 77%, Decision Tree tingkat akurasi sebesar 74%, dan Naive Bayes memiliki tingkat akurasi sebesar 89%. Maka dari itu, untuk klasifikasi tingkat kelulusan mahasiswa Prodi Teknik Informatika Universitas Islam Madura merekomendasikan model Naive Bayes karena memiliki tingkat akurasi lebih baik dibanding K-NN dan Decision Tree.


Full Text:

PDF (Indonesian)

References


D. Kartini, R. A. Nugroho, and M. R. Faisal, “Klasifikasi Kelulusan Mahasiswa Menggunakan Algoritma Learning Vector Quantization,” POSITIF J. Sist. dan Teknol. Inf., vol. 3, no. 2, p. 93, 2017.

Fakultas Teknik Universitas Islam Madura, “Rencana Strategis,” 2018.

A. Trimanto, F. Faqih, I. M. Irfani, and S. Timur, “Penerapan Data Mining Untuk Evaluasi Status Kelulusan Mahasiswa Fakultas Teknologi Pertanian Tahun 2015 Menggunakan Algoritma Naive Bayes Classifier,” in Seminar Nasional Informatika, Amikom University, 2015.

Fakultas Teknik Universitas Islam Madura, “Rencana Operasional Fakultas Teknik Universitas Islam Madura,” 2020.

E. P. Rohmawan, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Desicion Tree Dan Artificial Neural Network,” J. Ilm. MATRIK, vol. 20, no. 1, pp. 21–30, 2018.

I. A. A. Amra and A. Y. A. Maghari, “Students performance prediction using KNN and Naive Bayes ian,” in ICIT 2017 - 8th International Conference on Information Technology, Proceedings, 2017, no. December 2018, pp. 909–913.

S. P. Nabila, N. Ulinnuha, and A. Yusuf, “Model Prediksi Kelulusan Tepat Waktu Dengan Metode Fuzzy C-Means Dan K-Nearest Neighbors Menggunakan Data Registrasi Mahasiswa,” Netw. Eng. Res. Oper., vol. 6, no. 1, p. 39, 2021.

D. Iskandar and Y. K. Suprapto, “Perbandingan Akurasi Klasifikasi Tingkat,” Netw. Eng. Res. Oper., vol. 2, no. 1, pp. 37–43, 2015.

H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018.

L. Yuwono, M. E. Fadillah, M. Indrayani, W. Maesarah, A. Ramadhan, and S. F. Panjaitan, “Klasifikasi Pendapatan Pedagang Kaki Lima Dan Pelaku Usaha Online Akibat Dampak Covid-19 Menggunakan Metode Naive Bayes,” Bull. Appl. Ind. Enggineering Theory, vol. 2, no. 1, pp. 1–6, 2021.

H. Hafizan and A. N. Putri, “Penerapan Metode Klasifikasi Decision Tree Pada Status Gizi Balita Di Kabupaten Simalungun,” KESATRIA J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 1, no. 2, pp. 68–72, 2020.

S. Dewi, “Komparasi 5 Metode Algoritma Klasifikasi Data Mining Pada Prediksi Keberhasilan Pemasaran Produk Layanan Perbankan,” Techno Nusa Mandiri, vol. XIII, no. 1, pp. 60–66, 2016.

I. B. P. Jayawiguna, “Comparison of Model Prediction for Tile Production in Tabanan Regency with Orange Data Mining Tool,” in International Journal of Engineering and Emerging Technology, 2020, vol. 5, no. 2, pp. 72–76.

I. A. Nikmatun and I. Waspada, “Implementasi Data Mining untuk Klasifikasi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor,” J. SIMETRIS, vol. 10, no. 2, pp. 421–432, 2019.

S. H. Rukmawan, F. R. Aszhari, Z. Rustam, and J. Pandelaki, “Cerebral Infarction Classification Using the K-Nearest Neighbor and Naive Bayes Classifier,” J. Phys. Conf. Ser., vol. 1752, no. 1, 2021.

B. Krithiga, P. Sabari, I. Jayasri, and I. Anjali, “Early detection of coronary heart disease by using naive bayes algorithm,” J. Phys. Conf. Ser., vol. 1717, no. 1, 2021.

Bustami, “Penerapan Algoritma Naive Bayes Untuk Nasabah Asuransi,” J. Inform., vol. 8, no. 1, pp. 884–898, 2014.

T. Hardiani, “Comparison of Naive Bayes Method, K-NN (K-Nearest Neighbor) and Decision Tree for Predicting the Graduation of ‘Aisyiyah University Students of Yogyakarta,” Int. J. Heal. Sci. Technol., vol. 2, no. 1, 2021.

R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naive Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” J. Inform. Univ. Pamulang, vol. 5, no. 4, p. 646, 2021.




DOI: http://dx.doi.org/10.21107/nero.v6i2.237

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Hozairi Za Zairi

Creative Commons License
NERO (Networking Engineering Research Operation) is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.