Deteksi Awal Kelulusan Mahasiswa Dengan Algoritma Jaringan Syaraf Tiruan Dan Information Gain
DOI:
https://doi.org/10.34818/eoe.v8i5.15700Abstrak
Persentase kelulusan tepat waktu mahasiswa menjadi salah satu poin penilaian oleh Badan Akreditasi Nasional Perguruan Tinggi yang akan berpengaruh pada nilai akreditasi perguruan tinggi. Penelitian ini mengidentifikasi pentingnya mendeteksi kelulusan mahasiswa seawal mungkin sehingga bisa dilakukan tindakan preventif untuk mahasiswa yang terdeteksi kelulusannya tidak tepat waktu,baik itu dari pihak perguruan tinggi maupun individu. Dengan adanya penelitian ini, diharapkan persentase kelulusan tepat waktu mahasiswa Fakultas Informatika Universitas Telkom akan meningkat. Deteksi dini ini dapat dilakukan dengan teknik data mining yaitu klasifikasi, klasifikasi dapat dilakukan dengan berbagai teknik maupun algoritma, di antaranya dengan algoritma Jaringan Syaraf Tiruan dan Information Gain. Algoritma jaringan syaraf tiruan akan menghasilkan nilai akurasi berdasarkan atribut yang diperoleh dari nilai Information Gain, sedangkan Information Gain akan mencari nilai entropy dari setiap atribut sehingga diketahui atribut yang berpengaruh untuk diproses di algoritma jaringan syaraf tiruan yang akan menghasilkan akurasi yang optimal. Hasil dari penelitian ini berupa atribut yang paling berpengaruh berdasarkan Information Gain dan akurasi prediksi dengan algoritma jaringan syaraf tiruan. Atribut yang dipakai berjumlah 60% dari total atribut yang menghasilkan akurasi 74.5% untuk tingkat 1, 78.6% untuk tingkat 2, 81.9% untuk tingkat 3, dan 83.6% untuk tingkat 4. Kata kunci : educational data mining, Klasifikasi, Information gain, Jaringan syaraf tiruanUnduhan
Referensi
[1] Kusrini. 2009. Algoritma Data Mining. Yogyakarta : Penerbit ANDI
[2] Han, Jiawei. 2000. Data Mining : Concepts and Techniques
[3] Suhartono,Derwin.2012. "Dasar Pemahaman Neural Network"
[4] Budiyanto,Utomo.2019. “Prediksi Kelulusan Tepat Waktu Mahasiswa Menggunakan Jaringan Syaraf Tiruan”
[5] Prasetiyo,Eko.2018. “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Decision Tree dan
Artificial Neural Network”
[6] Arunkumar,N.2018.” Fully automatic model-based segmentation and classification approach for MRI brain
tumor using artificial neural networks”
[7] L. Z. Chen Xu, "Effectiveness Analysis of The Application of Clustering in Student," in International
Conference on Education Technology and Information System (ICETIS 2013), 2013.
[8] A. P. D. J. ,. H. F. Fernandez, "E-learning and Educational Data Mining in Cloud Computing : An Overview,"
Int. J. Learning Technology, vol. 9, no. 1, pp. 25-52, 2014.
[9] Pooja Kamavisdar, Sonam Saluja, et al., “A Survey on Image Classification Approaches and Techniques”,
International Journal of Advanced Research in Computer and Communication Engineering, vol. 2, no. 1, 2013.
[10] Risvik,Knut Magne. “Discretization of Numerical Attributes”
[11] K,Saravanan. “Review on Classification Based on Artificial Neural Network”
[12] sklearn. Mutual Information [Online] Available at: https://scikitlearn.org/stable/modules/generated/sklearn.metrics.mutual_info_score/ [Accessed 10 February 2021].
