Perbandingan 4 Algoritma Berbasis Particle Swarm Optimization (PSO) Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa
Kata Kunci:
Algoritma Naive Bayes, Decision Tree(C4.5), k-Nearest Neighbor(k-NN), Neural Network, Particle Swarm Optimization(PSO), keakurasian, Area Under the Curve(AUC)Abstrak
Informasi kelulusan sangat penting bagi Perguruan Tinggi yang terlibat dalam pendidikan. Data lulusan mahasiswa setiap tahun akademik merupakan bagian penting sebagai sumber informasi untuk membuat keputusan Pembantu Ketua 1 (Bagian Akademik) dalam penerimaan mahasiswa baru. Dengan informasi ini, prediksi dapat dibuat untuk mahasiswa yang masih aktif apakah mereka dapat lulus tepat waktu atau terlambat. Data yang digunakan pada penelitian ini adalah data lulusan mahasiswa STMIK ASIA Malang Tahun Angkatan 2007 sampai 2011 dengan 11 atribut penentu prediksi kelulusan dan 1 atribut tujuan/target yaitu kelulusan tepat waktu. Tujuan dari penelitian ini adalah untuk membuat prediksi kelulusan siswa dengan algoritma terbaik: Algoritma Naive Bayes, Decision Tree (C4.5), k-Nearest Neighbor (k-NN), Neural Network berbasis Particle Swarm Optimization (PSO) sebagai referensi untuk membuat kebijakan dan tindakan bidang akademik (BAAK) dalam mengurangi mahasiswa yang lulus terlambat dan tidak lulus. Hasil menunjukkan Algoritma Neural Network berbasis PSO pada k-optimum=19 mempunyai performa terbaik dari 4 algoritma yang ada, dengan nilai Accuracy = 74,08% dan nilai Area Under the Curve (AUC) = 0,788. Atribut Jenis Kelamin, IP Semester 1, 2, 4, 6 dan 7 serta Status Pekerjaan memberikan kontribusi yang nyata terhadap kelulusan tepat waktu mahasiswa. Penambahan fitur Particle Swarm Optimization (PSO) selalu meningkatkan nilai akurasi, dimana peningkatan nilai akurasi tertinggi terletak pada Algoritma Decision Tree (C4.5) sebesar 5,21%, terendah pada Algoritma Naive Bayes sebesar 2,13%. Peningkatan nilai akurasi Algoritma k-NN meskipun berada pada urutan ketiga, tetap sebagai algoritma memiliki kinerja terbaik karena nilai akurasinya tertinggi, hal ini disebabkan karena nilai akurasi sebelum penambahan fitur PSO paling tinggi diantara 4 algoritma yang ada.
Unduhan
Referensi
Asif R., Agathe M., Mahmood KP. (2015). Predicting Student Academic Performance at Degree Level: A Case Study. I.J. Intelligent Systems and Applications, 01, 49-61. Published Online December 2014 in MECS (http://www.mecs-press.org/). DOI: 10.5815/ijisa.2015.01.05.
Ayu, Mutiara B.,H.Irwan Budiman and Andi Farmadi. (September 2015). Penerapan K-Optimal Pada Algoritma k-NN untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer FMIPA UNLAM Berdasarkan IP Sampai Dengan Semester 4. Kumpulan jurnaL Ilmu Komputer (KLIK) ISSN: 2406-7857. Volume 02, No.02.
Handjaratie,Lillyan. (2015). Prediction And Data Mapping of Students Of Engineering Faculty, Universitas Negeri Gorontalo Using Data Mining.
Hanief Muhamad M., Metri Annisa, Narendi Muhandri and Kadarsyah Suryadi. (2009). Prediksi Masa Studi Sarjana Dengan Artificial Neural Network. Internetworking Indonesia Journal. Vol.1/No.2.
Hartanto,David H.,Seng Hansun. (Juni 2014). Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. ULTIMATICS, Vol. VI, No. 1 | ISSN 2085-4552.
Mu’aris Khoirul. (2015). Komparasi Pemodelan Data Menggunakan C4.5 Dan C4.5 Berbasis Particle Swarm Optimization Untuk Memprediksi Kelulusan Mahasiswa.
Nursalim, Suprapedi and H.Himawan. (April 2014). Klasifikasi Bidang Kerja Lulusan Menggunakan Algoritma K-Nearest Neighbor. Jurnal Teknologi Informasi, ISSN 1414-9999. Volume 10 Nomor 1.
Nuqson Masykur Huda. (2010). “Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa”, Semarang.
Prabowo. (2012). Aneka Teknik, Piranti dan Penerapan Data Mining : Studi Kasus Peramalan Harga Saham Industri Telekomunikasi Berbasis Jaringan Saraf Tiruan. Modul Perkuliahan Universitas Budi Luhur.
Ricky, Ade Rozzaqi. (Juni 2015). Naïve Bayes dan Filtering Feature Selection Information Gain untuk Prediksi Ketepatan Kelulusan Mahasiswa. Jurnal Informatika UPGRIS Volume 1.
File Tambahan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Setelah diterima untuk publikasi, penulis mengalihkan hak cipta artikel mereka kepada Jurnal Ilmiah Teknologi Informasi Asia. Ini mencakup hak untuk mereproduksi, mentransmisikan, dan menerjemahkan materi dalam bentuk atau medium apa pun.
Sementara dewan redaksi berusaha memastikan keakuratan, mereka tidak bertanggung jawab atas isi artikel atau iklan. Tanggung jawab sepenuhnya berada pada penulis dan pengiklan masing-masing.
Materi di situs web dilisensikan di bawah Creative Commons Attribution 4.0 International License (CC BY 4.0). Di bawah lisensi ini, pengguna bebas untuk berbagi dan menyesuaikan materi untuk tujuan apa pun, termasuk penggunaan komersial, asalkan persyaratan lisensi terpenuhi. Kebebasan ini tidak dapat dicabut oleh pemberi lisensi dalam kondisi tersebut.
