Prediksi Prestasi Belajar Mahasiswa Vokasi Menggunakan Algoritma C4.5

Authors

  • Ning Ratwastuti
  • Luthfi Atikah
  • Radix Rascalia
  • Suhendra

:

https://doi.org/10.32409/jikstik.22.1.3320

Keywords:

Klasikasi, Algoritma C4.5, Seleksi Atribut, Gain Ratio, Prestasi Belajar

Abstract

Prestasi belajar mahasiswa dapat dilihat melalui nilai IPK (Indeks Prestasi Kumulatif). Pada umumnya, nilai IPK diprediksi selama jalannya perkuliahan. Namun, banyak ditemui mahasiswa yang mengalami kesulitan selama mengikuti proses pembelajaran, baik mahasiswa yang berasal dari jalur beasiswa maupun jalur reguler. Berdasarkan kondisi tersebut, diperlukan pemetaan terhadap faktor-faktor lain yang mempengaruhi prestasi mahasiswa. Pemetaan ini diharapkan dilakukan seawal mungkin, agar dapat menjadi catatan dan deteksi dini bagi institusi. Selama ini, pada proses Penerimaan Mahasiswa Baru (PMB) di Politeknik Astra calon mahasiswa telah memasukkan banyak data termasuk latar belakang kehidupan sosial ekonomi dan beberapa nilai yang didapat pada proses pendidikan terdahulu dengan total 16 atribut. Untuk dapat mendeteksi prediksi kondisi prestasi mahasiswa sejak dini, perlu dilakukan pemetaan data pendaftaran calon mahasiswa dari PMB Politenik Astra terhadap nilai IPK yang menggambarkan prestasi mahasiswa. Prediksi pada penelitian ini memanfaatkan algoritma C4.5 untuk melihat pengaruh data pendaftaran PMB terhadap prestasi belajar mahasiswa, baik jalur beasiswa maupun keseluruhan mahasiswa. Selain itu, untuk melihat pengaruh tiap atribut, pengolahan data dilakukan dengan seleksi atribut menggunakan metode Gain Ratio. Hasil akurasi klasifikasi menunjukkan bahwa data pendaftaran PMB berpengaruh terhadap prestasi belajar mahasiswa, dan klasifikasi menggunakan atribut hasil seleksi mendapatkan akurasi yang lebih tinggi dibandingkan menggunakan keseluruhan 16 atribut. Pada mahasiswa yang masuk melalui jalur beasiswa, atribut terkait kondisi sosial ekonomi cukup signifikan mempengaruhi prestasi belajar. Namun pada data keseluruhan mahasiswa Politeknik Astra menunjukkan bahwa atribut penguasaan materi di sekolah asal membantu mahasiswa dalam meningkatkan prestasi belajarnya. Hasil ini sekaligus menjadi bahan pertimbangan bagi institusi dalam proses Penerimaan Mahasiswa Baru, baik melalui jalur beasiswa maupun reguler.

Downloads

Download data is not yet available.

References

Usamah bin Mat, Norlida Buniyamin, Pauziah Mohd Arsad, Rosni Abu Kassim and Usamah bin Mat , An Overview of Using Academic Analytics to Predict , IEEE 5th Conference on Engineering Education (ICEED), 2013.

U. A. Mirza Irfan Ali, Attribution to suc- cess and failure among medical students , Pak ArmedForcesMed J , vol. 6, p. 67, 2017.

S. Lumley, P. Ward, L. Roberts and J. P. Mann, Self-reported extracurricular ac- tivity, academic success, and quality of life in UK medical students , Int J Med Educ, vol. 6, pp. 111-117, Sep. 2015, doi: 10.5116/ijme.55f8.5f04.

J. R. Lechien, C. Kempenaers, M. Dramaix and P. Linkowski, Insuuence of gender and selection procedures on the academic perfor- mance of undergraduate medical students , Acta Med Acad, vol. 45, no. 2, pp. 145-151, doi: 10.5644/ama2006-124.170, Nov. 2016.

M. Nowak, Defining Project Approach us- ing Decision Tree and Quasi-hierarchical Multiple Criteria Method , in Procedia Engineering, vol. 172, pp. 791-799. doi: 10.1016/j.proeng.2017.02.125, 2017.

R. Singh and S. Pal, Application of Machine Learning Algorithms to Predict Students Per- formance , Article in International Journal of Advanced Computer Research, vol. 29, no. 5, pp. 7249-7261, 2020.

H. Pallathadka, A. Wenda, E. Ramirez-Asís, M. Asís-López, J. Flores-Albornoz and K. Phasinam , Classification and prediction of student performance data using various ma- chine learning algorithms, Mater Today Proc, doi: 10.1016/j.matpr.2021.07.382, Jul. 2021.

K. Adhatrao, A. Gaykar, A. Dhawan, R. Jha and V. Honrao, Predicting Students' Perfor- mance Using ID3 and C4.5 Classification Al- gorithms , International Journal of Data Min- ing & Knowledge Management Process, vol. 3, no. 5, pp. 39-52, doi: 10.5121/ijdkp.2013.3504, Sep. 2013.

X. Wang, C. Zhou, and X. Xu, Application of C4.5 decision tree for scholarship evalua- tions , in Procedia Computer Science, vol. 151, pp. 179-184. doi: 10.1016/j.procs.2019.04.027, 2019.

N. A. Prahastiwi, R. Andreswari, and R. Fauzi, Students Graduation Prediction Based On Academic Data Record Using The Decision Tree Algorithm C4.5 Method , JURTEKSI (Jurnal Teknologi dan Sistem Informasi), vol. 8, no. 3, pp. 295-304, doi: 10.33330/jurteksi. v8i3.1680, Aug. 2022.

J. Han, M. Kamber, and J. Pei, Data Mining. Concepts and Techniques, 3rd Edition , The Morgan Kaufmann Series in Data Management Systems, 2011.

Ian H. Witten, Eibe Frank and Mark A. Hall , Data Mining: Practical Machine Learning Tools and Techniques , The Morgan Kaufmann Series in Data Management Systems, 2011.

Ahmad Saikhu, Joko Lianto dan Umi Hanik, Fuzzy Decision Tree dengan Algoritma C4.5 pada Data Diabetes IndianPima , Konferensi Nasional Sistem dan Informatika, Bali, 2011.

E. Harris, Information Gain Versus Gain Ra- tio: A Study of Split Method Biases , Ann Math Artif Intell, 2002.

C. Cassisi, P. Montalto, M. Aliotta, A. Can- nata, and A. Pulvirenti, Similarity Measures and Dimensionality Reduction Techniques for Time Series Data Mining , in Advances in Data Mining Knowledge Discovery and Appli- cations, InTech, doi: 10.5772/49941, 2012.

Downloads

Published

25-03-2023

How to Cite

[1]
Ning Ratwastuti, Atikah, L., Rascalia, R. and Suhendra 2023. Prediksi Prestasi Belajar Mahasiswa Vokasi Menggunakan Algoritma C4.5. Jurnal Ilmiah Komputasi. 22, 1 (Mar. 2023), 13–20. DOI:https://doi.org/10.32409/jikstik.22.1.3320.
Abstract View: 0 times