PENERAPAN DATA MINING UNTUK PREDIKSI MASA STUDI MAHASISWA DENGAN ALGORITMA DECISION TREE (C4.5)

Kirana Alyssa Putri; Dimas Febriawan;

ABSTRAK

Penerapan Data Mining Untuk Prediksi Masa Studi Mahasiswa Dengan Algoritma Decision Tree (C4.5)

Kirana Alyssa Putri

Lulus tepat waktu menjadi keinginan setiap mahasiswa di Perguruan Tinggi. Mahasiswa
Universitas Muhammadiyah Prof. DR. Hamka adalah salah satu yang memiliki impian tersebut.
Berdasarkan data lulusan tahun 2020 dari Tracer Study, 60% menyatakan bahwa universitas
memberikan dampak cukup tinggi terhadap peningkatan kompetensi. Data ini mengindikasikan
bahwa universitas perlu evaluasi terhadap peningkatan kualitas akademik. Seringkali, mahasiswa
mengalami kesulitan untuk mencari informasi mengenai faktor-faktor penting yang mendukung
kelulusan tepat waktu. Dibutuhkan sebuah analisis prediksi untuk memberikan informasi
mengenai masa studi kelulusan mahasiswa. Penerapan data mining diterapkan pada analisis ini,
yaitu fungsi klasifikasi algoritma Decision Tree (C4.5) dengan bantuan tools RapidMiner.
Metodologi implementasi data mining menerapkan tahap dari Knowledge Discovery In Databases
(KDD) dimulai dari proses data collection, pre-processing, transformation, data mining dan
evaluation. Capaian dari penelitian berupa visualisasi dan rules Decision Tree yang memberikan
informasi bahwa faktor paling berpengaruh dalam menentukan masa studi mahasiswa adalah IPK.
Terdapat informasi lainnya yaitu, mahasiswa lulus tepat waktu (kurang dari sama dengan 4 Tahun)
berjumlah 170 atau 54.5% dan mahasiswa tidak lulus tepat waktu (lebih dari 4 Tahun) berjumlah
142 atau 45.6%. Pengujian kinerja Decision Tree (C4.5) memanfaatkan confusion matrix melalui
tools RapidMiner menghasilkan accuracy mencapai 83.87%, dengan precision sebesar 87.50% dan
recall 91.18%. Memberikan bukti bahwa algoritma Decision Tree (C4.5) memiliki kinerja yang
optimal untuk memberikan informasi berharga mengenai prediksi kelulusan mahasiswa guna
meningkatkan jumlah mahasiswa dengan masa studi tepat waktu.

Kata Kunci— Decision Tree, Algoritma C4.5, Prediksi, Masa Studi, RapidMiner

Implementation Data Mining To Predict Student Study Period with Decision Tree Algorithm (C4.5)

Kirana Alyssa Putri

Graduating on time is what every student wants to accomplish in college. Students of Prof. Dr.
Hamka Muhammadiyah University are one of those who have this dream. Based on 2020
graduates data from the Tracer Study, 60% said the university had a high enough impact on
improving competence. This data indicates that university needs to evaluate improvement of
academic quality. Often, students have difficulty finding information about important factors that
support achieving timely graduation. A prediction analysis is needed to provide information about
the student's graduation study period. For this analysis, data mining is implemented using the
classification function of the decision tree (C4.5) algorithm with RapidMiner tools. The
methodology for implementing data mining follows the stages of Knowledge Discovery In
Database (KDD), beginning with data collection, preprocessing, transformation, data mining, and
evaluation. The research findings consist of visualization and decision tree rules that reveal GPA
as the most influential factor in determining a student's study period.There is other information,
namely, students graduated on time (less than equal to 4 years) amounted to 170 or 54.5% and
students did not graduate on time (more than 4 years) amounted to 142 or 45.6%. Testing the
performance of decision tree (C4.5) utilizing confusion matrix through RapidMiner tools, resulted
in accuracy reaching 83.87%, with precision of 87.50% and recall of 91.18%. Provides evidence
that the decision tree algorithm (C4.5) has optimal performance to provide valuable information
about predicting student graduation in order to increase student enrollment with the right study
period.

Keywords— Decision Tree, C4.5 Algorithm, Prediction, Study Period, RapidMiner