PERBANDINGAN PERFORMANSI ALGORITMA C4.5 DAN CART DALAM KLASIFIKSI DATA NILAI MAHASISWA PRODI TEKNIK KOMPUTER POLITEKNIK NEGERI PADANG
DOI:
https://doi.org/10.21063/jtif.2014.V2.1.40-46Keywords:
educational data mining, klasifikasi, CART, C4.5Abstract
Dalam beberapa tahun terakhir, penggunaan data mining di dunia pendidikan yang dikenal sebagai educational data mining (EDM) semakin berkembang. Namun sebagian besar penggunaan itu dilakukan pada data yang berasal dari pendidikan berbasis web, komputer, dan e-learning. Padahal sebagian besar institusi pendidikan, terutama di negara-negara berkembang masih menggunakan sistem kelas tradisional. Data yang didapat dari kelas tradisional ini belum dieksploitasi dengan baik untuk memberikan dukungan dan bimbingan bagi siswa demi meningkatkan kualitas pendidikan.
Program studi Teknik Komputer merupakan salah satu program studi favorit di Politeknik Negeri Padang. Tahun pertama perkuliahan terutama semester pertama merupakan masa yang krusial bagi mahasiswa baru prodi Teknik Komputer. Proses pendidikan di program studi Teknik Komputer didukung data hasil studi (nilai) mahasiswa tiap semesternya. Penggunaan data mining terhadap data hasil studi mahasiswa pada semester pertama diharapkan dapat memberikan pengetahuan mata kuliah apa saja yang paling krusial dalam menentukan kelulusan mahasiswa pada semester pertama.
Pada penelitian ini, data mining diterapkan menggunakan model proses CRISP-DM yang menyediakan proses standar penggunaan data mining pada berbagai bidang. Metode pohon keputusan (algoritma C4.5 dan CART) digunakan dalam klasifikasi karena hasil metode ini mudah dipahami dan diinterpretasikan. Kalkulus, Fisika, Algoritma dan Pemrogramaan, Pengantar TI, dan Praktek Dasar Pemorgraman merupakan mata kuliah paling krusial pada semester pertama.
References
[BAKinpress] Baker, R.S.J.d. (in press). Data mining for Education. To appear in McGraw, B., Peterson, P., Baker, E. (Eds.) International Encyclopedia of Education (3rd edition). Oxford, UK:Elsevier.
[CHA00] Chapman, P., et.al. (2000). CRISP-DM 1.0: Step-by-Step Data mining Guide. CRISP-DM Consortium.
[DEK09] Dekker, W. Gerben., et.al. (2009). Predicting Students Drop Out: A Case Study. Proceedings of the 2 nd International Conference on Educational Data mining. 41-50.
[ERD05] Erdogan, S.Z, Timor, M. (2005). A Data mining Applications in Student Database. Journal of Aeronautics and Space Technologies. Vol 2(2). 53-57.
[LAR05] Larose, D.T. (2005). Discovering Knowledge in Data: An Introduction to Data mining. Wiley Interscience. Ney Jersey.
[LAS07] Lassibille, G., Gomez, L. N. (2007). Why Do Higher Education Students Drop Out? Evidence from Spain. Education Economics. Vol 16(1). 89-105. [LUA02] Luan, J. (2002). Data mining and Its Applications in Higher Education. New Directions for Institutional Research. Vol 133. 17-36.
[ROM07] Romero, C., Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert System with Application. Vol 33. 135-146.
Downloads
Published
Issue
Section
License
This journal is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License (CC BY-SA 4.0).
Authors retain copyright and grant the journal the right of first publication.
The work may be shared and adapted, even for commercial purposes, as long as appropriate credit is given and any new creations are licensed under the identical terms.