Klasifikasi Ketepatan Lama Studi Mahasiswa Dengan Algoritma Random Forest Dan Gradient Boosting (Studi Kasus Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jakarta)

Muhammad Labib Mu'tashim, Ati Zaidiah

Abstract


Universitas umumnya pada setiap tahun menerima mahasiswa baru dan memiliki kuota yang berbeda pada setiap jurusannya, begitu juga dengan Fakultas Ilmu Komputer (FIK) Universitas Pembangunan Nasional (UPN) Veteran Jakarta. Melimpahnya data akademik di FIK UPN Veteran Jakarta bisa diolah sesuai yang dibutuhkan dan berguna mencari informasi penting demi pengembangan fakultas menjadi lebih baik. Maka dari itu dilakukan penelitian untuk menganalisis mahasiswa yang lulus tepat waktu maupun tidak tepat waktu dengan data mining menggunakan metode Random Forest dan Gradient Boosting untuk mengetahui tingkat akurasi dan menentukan mana model klasifikasi yang terbaik pada ketepatan lulus mahasiswa. Analisis menggunakan data mahasiswa S1 FIK UPN Veteran Jakarta angkatan 2015 - 2017. Hasil uji coba sampel pada 590 data, algoritma random forest 10 k-fold mendapatkan akurasi 82,64% dan pada gradient boosting 3 k-fold mendapatkan akurasi 79,66%. Hasil penelitian ini digunakan sebagai salah satu dasar pengambilan keputusan untuk menentukan kebijakan oleh pihak fakultas.

Keywords


Klasifikasi, Random Forest, Gradient Boosting, Kelulusan

References


Achmad Bisri and Rinna Rachmatika (2019) “Integrasi Gradient Boosted Trees dengan SMOTE dan Bagging untuk Deteksi Kelulusan Mahasiswa”, Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 8(4), pp. 309-314. doi: 10.22146/jnteti.v8i4.2554.

Agusta, Erwinsyah Rico. (2021). Komparasi Metode Naïve Bayes Dan Random Forest Untuk Memprediksi Ketepatan Waktu Lulus Mahasiswa (Studi Kasus: Mahasiswa Fakultas Sains Dan Teknologi Universitas Sanata Dharma). (Skripsi, Universitas Sanata Dharma).

Agwil, W., Fransiska, H., & Hidayati, N. (2020). Analisis Ketepatan Waktu Lulus Mahasiswa Dengan Menggunakan Bagging CART. FIBONACCI: Jurnal Pendidikan Matematika dan Matematika, 6(2), 155-166.

Brownlee, Jason. 2020. 4 Types of Classification Tasks in Machine Learning. https://machinelearningmastery.com/types-of-classification-in-machine-learning/ (diakses tanggal 26 Februari 2022).

Hayati, I., Marzal, J., & Saputra, E. (2021). Klasifikasi Mahasiswa Berpotensi Drop Out Menggunakan Algoritma Decision Tree C4. 5 Dan Naive Bayes Di Universitas Jambi (Doctoral dissertation, Universitas Jambi).

HIMMAWAN, M., & Agus Ulinuha, S. T. (2021). Perancangan Sistem Analisis Kelulusan Mahasiswa Dalam Implementasi Penerapan Data Mining Pada Bidang Pendidikan (Doctoral dissertation, Universitas Muhammadiyah Surakarta).

Inoxoft. (2021, Jan). Gradient Boosting Classifier. Medium. https://medium.com/geekculture/gradient-boosting-classifier-f7a6834979d8

Kurniawati, Galuh N. 2021. Algoritma Machine Learning yang Harus Kamu Pelajari di Tahun 2021. https://www.dqlab.id/algoritma-machine-learning-yang-perlu-dipelajari (diakses tanggal 20 Februari 2022).

Mashlahah, S. (2013). Prediksi kelulusan mahasiswa menggunakan metode decision tree dengan penerapan algoritma C4. 5 (Doctoral dissertation, Universitas Islam Negeri Maulana Malik Ibrahim).

M. Utari, B. Warsito and R. Kusumaningrum, "Implementation of Data Mining for Drop-Out Prediction using Random Forest Method," 2020 8th International Conference on Information and Communication Technology (ICoICT), 2020, pp. 1-5, doi: 10.1109/ICoICT49345.2020.9166276

Nelson, Dan. (2022, Jul). Gradient Boosting Classifiers in Python with Scikit-Learn. StackAbuse. https://stackabuse.com/gradient-boosting-classifiers-in-python-with-scikit-learn/

Plaosan, van Suprapto. 2022. Learning Box : Algoritma Random Forest. http://learningbox.coffeecup.com/05_2_randomforest.html (diakses tanggal 28 Februari 2022).

Rachmi, Adhelia Nurfira. (2020). Implementasi Metode Random Forest Dan Xgboost Pada Klasifikasi Customer Churn. (Skripsi, Universitas Islam Indonesia).

Sinaga, Artha Dian. (2020). Prediksi Kelulusan Mahasiswa Fakultas Sains Dan Teknologi Universitas Sanata Dharma Menggunakan Metode Klasifikasi Naïve Bayes. (Skripsi, Universitas Sanata Dharma).

Tambunan, R. H. (2020). Analisis Prediksi Kelulusan Mahasiswa Tepat Waktu Berdasarkan Kinerja Akademis Mahasiswa Menggunakan Algoritma Naïve Bayes dengan Implementasi Data Mining Studi Kasus: Departemen Teknik Industri USU.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.