KOMPARASI METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA

Abdul Rohman, Abdul (2019) KOMPARASI METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA. Neo Teknika, 5 (1). pp. 23-29. ISSN 2502-7662

Text Vol 5 No 1 Juni 2019.pdf Restricted to Registered users only Download (767kB)

Abstract

Data kelulusan mahasiswa sangat penting, ketika data tersebut di olah dengan menggunakan data mining, sehingga menghasil pengetahuan dan informasi yang sangat penting, salah satunya dijadikan sebagai alat prediksi. Dalam penelitian ini dilakukan perbandingan motede data mining yaitu algoritma neural network, k-nearest neighbor dan Decision Tree yang diaplikasikan pada data kelulusan mahasiswa. Dari hasil pengujian dengan mengukur kinerja ketiga metode tersebut menggunakan cross validation, confusion matrix dan kurva ROC, diketahui bahwa neural network memiliki nilai akurasi yang paling tinggi yakni sebesar 87,32%, diikuti oleh metode algoritma Decision Tree dengan nilai akurasi 83.57%, kemudian metode k-nearest neighbor dengan akurasi 83,66%. Nilai AUC untuk metode neural network menunjukan nilai tertinggi yakni 0,917 dan yang terendah adalah metode Decision Tree yaitu 0,844. Kata Kunci Data Mining, Mahasiswa, algoritma neural network, k-nearest neighbord, Decision Tree

Actions (login required)

View Item