Analisa Kepentingan atribut data pada Klasifikasi Heregistrasi Mahasiswa STMIK Widya Pratama

Penulis

  • Dadang Aribowo STMIK Widya Pratama
  • Ivandari Ivandari STMIK Widya Pratama

DOI:

https://doi.org/10.47775/ictech.v14i2.56

Abstrak

Mahasiswa merupakan aset  yang paling berharga dalam sebuah perguruan tinggi swasta (PTS). Karena  sebagian  besar  pendapatan  serta  biaya  operasional  PTS  didapatkan  dari  mahasiswa. Banyaknya mahasiswa yang melakukan heregistrasi jelas akan menjadi angin segar bagi lembaga. Dalam  5  tahun  terakhir  tercatat  sekitar  20%  calon  mahasiswa  STMIK  Widya  Pratama  tidak melakukan heregistrasi. Data terakhir pada 31 Agustus 2018 tercatat ada 32,7% pendaftar belum melakukan  heregistrasi.  Penurunan  jumlah  mahasiswa  dapat  mempengaruhi  stabilitas  keuangan lembaga  utamanya  sekolah  tinggi  swasta.  Analisa  terhadap  algoritma  terbaik  untuk  klasifikasi heregistrasi mahasiswa pernah dilakukan dan membuktikan bahwa decision tree C45 merupakan algoritma  dengan  tingkat  akurasi  terbaik.  Pengetahuan  dini  terhadap  calon  mahasiswa  yang mungkin  tidak  akan  melakukan  heregistrasi  dapat  menjadi  acuan  lembaga  untuk  melakukan tindakan guna mempertahankan mahasiswa. Pencatatan data mahasiswa yang tersusun rapi dapat digunakan  pihak  manajemen  untuk  melakukan  analisa  terhadap  karakteristik  serta  penyebab mahasiswa tidak melakukan heregistrasi.  Penelitian ini akan melakukan analisa terhadap semua data  dan  atribut  data  yang  ada.  Metode  yang  digunakan  dalam  pembobotan  adalah  information gain  yang  telah  terbukti  dapat  mengatasi  dataset  dengan  jenis  atribut  yang  banyak. Hasil dari penelitian ini menyimpulkan bahwa atribut pekerjaan orang tua merupakan atribut dengan tingkat kepentingan tertinggi. Sedangkan atribut status sipil merupakan atribut dengan tingkat kepentingan paling rendah.

Referensi

Al Karomi, M. A. (2015). Optimasi Parameter K pada Algoritma KNN untuk Klasifikasi heregistrasi mahasiswa Program Studi Teknik Informatika STMIK Widya Pratama Jl . Patriot 25 Pekalongan Email : adib.comp@gmail.com. IC-TECH, X(285), 5.

Alkaromi, M. A. (2014). Information Gain untuk Pemilihan Fitur pada Klasifikasi Heregistrasi Calon Mahasiswa dengan Menggunakan K-NN.

Amancio, D. R., Comin, C. H., Casanova, D., Travieso, G., Bruno, O. M., Rodrigues, F. a., & Costa, L. D. F. (2013). A systematic comparison of supervised classifiers. Retrieved from http://arxiv.org/abs/1311.0202v1

Cover, T. M., & Hart, P. E. (1967). Nearest Neighbor Pattern Classification, I.

Gorunescu, F. (2011). Data Mining: Concept, Models and Techniques (vol 12). Berlin: Heidelberg: Springer Berlin Heidelberg.

Han, J., & Kamber, M. (2006a). Data Mining: Concepts and Techniques Second Edition. Elsevier. Elsevier.

Han, J., & Kamber, M. (2006b). Data Mining: Concepts and Techniques Second Edition, 40(6), 9823. https://doi.org/10.1002/1521-3773(20010316)40:6<9823::AID-ANIE9823>3.3.CO;2-C

Ian H Witten. Eibe Frank. Mark A Hall. (2011). Data Mining 3rd.

Jiawei Han and Micheline Kaber. (2006). Data Mining:Concepts and Techniques. University of Illinois at Urbana-Champaign.

Kusrini, Hartati, S., Wardoyo, R., & Harjoko, A. (2009). Perbandingan metode nearest neighbor dan algoritma c4.5 untuk menganalisis kemungkinan pengunduran diri calon mahasiswa di stmik amikom yogyakarta, 10(1).

Kusrini, & Taufiq, L. E. (2009). Algoritma Data Mining. Yogyakarta: Andi Offset.

Larose, D. T. (2005). Discovering Knowledge in Data: an Introduction to Data Mining. John Wiley & Sons.

Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi menggunakan Matlab. Yogyakarta: Andi Offset.

Pudjianto, T. H., Renaldi, F., & Teogunadi, A. (2011). Penerapan data mining untuk menganalisa kemungkinan pengunduran diri calon mahasiswa baru.

Ragab, A. H. M., Noaman, A. Y., Al-Ghamdi, A. S., & Madbouly, A. I. (2014). A Comparative Analysis of Classification Algorithms for Students College Enrollment Approval Using Data Mining. Proceedings of the 2014 Workshop on Interaction Design in Educational Environments - IDEE ’14, 106–113. https://doi.org/10.1145/2643604.2643631

Santosa, B. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis (Edisi Pert). Yogyakarta: Graha Ilmu.

Sugianti, D. (2012). Algoritma Bayesian Classification untuk Memprediksi Heregistrasi Mahasiswa Baru di STMIK Widya Pratama, (2), 1–5.

Susanto, S., & Suryadi, D. (2010). Pengantar Data Mining: Menggali Pengetahuan dari Bongkahan Data. Yogyakarta: Andi Offset.

Widiastuti, D. (2007). Analisa Perbandingan Algoritma SVM, Naïve Bayes, dan Decission Tree dalam Mengklasifikasikan Serangan (Attack) pada Sistem Pendeteksi Intrusi. Jurusan Sistem Informasi Universitas Gunadarma, 1–8.

Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques 3rd Edition. Elsevier.

Wu, X. (2009). The Top Ten Algorithms in Data Mining. (V. Kumar, Ed.). New York: Taylor & Francis Group, LLC.

Unduhan

Diterbitkan

2019-10-17

Cara Mengutip

Aribowo, D., & Ivandari, I. (2019). Analisa Kepentingan atribut data pada Klasifikasi Heregistrasi Mahasiswa STMIK Widya Pratama. IC-Tech, 14(2). https://doi.org/10.47775/ictech.v14i2.56