METODE DATA MINING UNTUK SELEKSI CALON MAHASISWA PADA PENERIMAAN MAHASISWA BARU DI UNIVERSITAS PAMULANG

Aries Saifudin

Abstract


Universitas Pamulang berusaha memberikan pendidikan tinggi dengan biaya yang terjangkau oleh kalangan bawah. Tetapi mahasiswanya banyak yang keluar di tiap semester, sehingga menyebabkan rasio jumlah mahasiswa baru dengan jumlah yang lulus tidak seimbang. Selain itu banyak mahasiswa yang tidak lulus tepat waktu, hal ini mengakibatkan rasio dosen dan mahasiswa tidak seimbang. Kedua hal ini akan mengurangi penilaian pada saat akreditasi. Penyebab keluarnya mahasiswa tanpa menyelesaikan pendidikannya, atau tidak dapat menyelesaikan pendidikannya tepat waktu belum dapat dideteksi dengan sistem seleksi saat ini. Pada penelitian ini diusulkan penggunaan teknik data mining untuk memprediksi ketepatan waktu lulus calon mahasiswa. Teknik data mining dan machine learning dapat digunakan untuk memprediksi berdasarkan data-data masa lalu. Metode data mining yang digunakan untuk memprediksi adalah klasifikasi, yaitu Naïve Bayes (NB), k-Nearest Neighbor (k-NN), Random Forest (RF), Decision Stump (DS), Decision Tree (DT), Rule Induction (RI), Linear Regression (LR), Linear Discriminant Analysis (LDA), Neural Network (NN), dan Support Vector Machine (SVM). Berdasarkan hasil implementasi dan pengukuran algoritma/model yang diusulkan diperoleh algoritma/model terbaik, yaitu Support Vector Machine (SVM) dengan akurasi 65.00%. Tetapi akurasi ini masih jauh dari nilai excellent (sangat baik).

Keywords


Data Mining, Klasifikasi, Penerimaan Mahasiswa

Full Text:

PDF

References


Abu-Oda, G. S., & El-Halees, A. M. (2015). Data Mining in Higher Education: University Student Dropout Case Study. International Journal of Data Mining & Knowledge Management Process (IJDKP), 5(1), 15-27. doi:10.5121/ijdkp.2015.5102

Aggarwal, C. C. (2015). Data Mining: The Textbook. Switzerland: Springer International Publishing.

Al-Barrak, M. A., & Al-Razgan, M. S. (2015). Predicting Students’ Performance Through Classification: A Case Study. Journal of Theoretical and Applied Information Technology, 167-175.

Berndtsson, M., Hansson, J., Olsson, B., & Lundell, B. (2008). Thesis Projects: A Guide for Students in Computer Science and Information Systems (2nd ed.). London: Springer-Verlag.

Dawson, C. W. (2009). Projects in Computing and Information Systems A Student’s Guide (2nd ed.). Great Britain: Pearson Education.

Korb, K. B., & Nicholson, A. E. (2011). Bayesian Artificial Intelligence (2nd ed.). Florida: CRC Press.

Kotu, V., & Deshpande, B. (2015). Predictive Analytics and Data Mining. Concepts and Practice with RapidMiner. Massachusetts: Elsevier Inc.

Larose, D. T., & Larose, C. D. (2015). Data Mining and Predictive Analytics (2nd ed.). New Jersey: John Wiley & Sons, Inc.

Manhães, L. M., Cruz, S. M., & Zimbrão, G. (2014). Evaluating Performance and Dropouts of Undergraduates using Educational Data Mining. Data Mining for Educational Assessment and Feedback (ASSESS 2014) (pp. 1-7). New York: Aspiring Minds.

Pal, S. (2012). Mining Educational Data Using Classification to Decrease Dropout Rate of Students. International journal of multidisciplinary sciences and engineering, 3(5), 35-39.

Rai, S., Saini, P., & Jain, A. K. (2014). Model for Prediction of Dropout Student Using ID3 Decision Tree Algorithm. International Journal of Advanced Research in Computer Science & Technology (IJARCST 2014), 2(1), 142-149.

Refaeilzadeh, P., Tang, L., & Liu, H. (2009). Cross-Validation. In L. Liu, & M. T. Özsu, Encyclopedia of Database Systems (pp. 532-538). Arizona: Springer US.

Sherrill, B., Eberle, W., & Talbert, D. (2011). Analysis of Student Data for Retention Using Data Mining Techniques. 7th Annual National Symposium on Student Retention (pp. 65-66). Charleston: C-IDEA.

Vercellis, C. (2009). Business Intelligence- Data Mining and Optimization for Decision Making. West Sussex: John Wiley & Sons.

Yukselturk, E., Ozekes, S., & Türel, Y. K. (2014). Predicting Dropout Student: An Application of Data Mining Methods in an Online Education Program. European Journal of Open, Distance and e-Learning, 17(1), 118-133. doi:10.2478/eurodl-2014-0008

Zhang, H., & Wang, Z. (2011). A Normal Distribution-Based Over-Sampling Approach to Imbalanced Data Classification. Advanced Data Mining and Applications - 7th International Conference (pp. 83-96). Beijing: Springer.




DOI: https://doi.org/10.24853/jurtek.10.1.25-36

Refbacks

  • There are currently no refbacks.


Jurnal Teknologi Indexed by:

Directory of Open Access JournalGoogle ScholarRoadIndonesia Scientific Journal Database (ISJD)Index Copernicus International (ICI)Garba Rujukan Digital(Garuda)CrossrefScience and Technology Index (SINTA)Directory of Research Journal Indexing (DRJI)CiteFactorResearchgateIndonesia One SearchAcedemia.eduResearchBibAcademickeysBielefeld Academic Search Engine (BASE)JifactorPKP IndexSherpa romeoworldcat


Copyright of Jurnal Teknologi (e-ISSN:2460-0288, p-ISSN:2085-1669).

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

Powered by Puskom-UMJ