Analisa Kepentingan atribut data pada Klasifikasi Heregistrasi Mahasiswa STMIK Widya Pratama
DOI:
https://doi.org/10.47775/ictech.v14i2.56Abstrak
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.
