Prediksi Keberhasilan Studi Mahasiswa Menggunakan Metode Iterative Dichotomiser 3
Abstract
Student academic success is an important indicator in evaluating the quality of higher education in Indonesia. This study aims to predict student academic success based on several variables, such as second-year GPA, number of credits passed, and student's province of origin, using the Iterative Dichotomiser 3 (ID3) algorithm. The data used were 650 graduates of the Information Systems Department of the Faculty of Information Technology, Satya Wacana Christian University, from 2013 to 2017. The ID3 classification results indicate that second-year GPA is the most significant attribute in determining academic success, while province of origin also influences the likelihood of students graduating or failing. Model evaluation using a confusion matrix yielded an accuracy of 85.38%, a precision of 88.8%, a recall of 89.8%, and F-measure of 89.3. These findings demonstrate that the ID3 method can be used in predicting student academic success.
Keywords: Academic success; Student; Prediction; Iterative Dichotomiser 3
Abstrak
Keberhasilan studi mahasiswa merupakan indikator penting dalam mengevaluasi kualitas pendidikan perguruan tinggi di Indonesia. Penelitian ini bertujuan untuk memprediksi keberhasilan studi mahasiswa berdasarkan sejumlah variabel seperti IPK tahun kedua, jumlah SKS lulus, dan provinsi asal mahasiswa dengan algoritma Iterative Dichotomiser 3 (ID3). Data yang digunakan berasal dari lulusan Fakultas Teknologi Informasi Program Studi Sistem Informasi Universitas Kristen Satya Wacana (UKSW) tahun 2013–2017 sebanyak 650 mahasiswa. Hasil klasifikasi ID3 menunjukkan bahwa IPK tahun kedua merupakan atribut paling signifikan dalam menentukan keberhasilan studi, sedangkan provinsi asal juga berpengaruh terhadap kecenderungan kelulusan atau kegagalan mahasiswa. Evaluasi model dilakukan menggunakan confusion matrix, hasilnya menunjukkan akurasi sebesar 85.38%, precision sebesar 88.8%, recall sebesar 89.8% dan F-measure sebesar 89.3%. Temuan ini menunjukkan bahwa metode ID3 dapat digunakan dalam memprediksi keberhasilan studi mahasiswa.
Keywords
References
S. Rachardian and E. Sediyono, “Prediksi kelulusan tepat waktu mahasiswa untuk pemantauan program studi menggunakan metode data mining,” Aiti, vol. 21, no. 2, pp. 168–182, 2024, doi: 10.24246/aiti.v21i2.168-182.
A. Karin Octaviana, A. Wulan Agustin, H. Nur Taqiyyah, S. Naufal Almubarraq, and T. Syifa Zahira, “Hubungan Jarak Kos dengan IPK Mahasiswa Pendidikan Geografi di Universitas Pendidikan Indonesia,” J. Sos. dan sains, vol. 3, no. 5, pp. 538–546, 2023, doi: 10.59188/jurnalsosains.v3i5.794.
B. R. Waridhon and A. C. Fauzan, “Implementasi Algoritma Iterative Dichotomiser 3 ( ID3 ) untuk Prediksi Keberlangsungan Studi Mahasiswa,” vol. 1, no. 2, pp. 64–74, 2021.
D. Irmayanti, Y. Muhyidin, Y & D.A. Nurjaman, "Prediksi Mahasiswa Berpotensi Drop Out Dengan Metode Iteratif Dichotomiser 3 (ID3). Jurnal Teknologi Informasi, vol. 5, no. 2, pp. 103-113, 2021.
V. M. Sitorus, “Sistem Pendukung Keputusan Branding Brand Berdasarkan Kualitas Produk Menggunakan Metode Interative Dichotomiser 3 Pada Matahari Thamrin Plaza,” vol. 1, no. 1, pp. 1–8, 2022.
F. Ferdina, N. Satyahadewi, and D. Kusnandar, “Penerapan Algoritma Iterative Dichotomiser 3 (Id3) Dalam Klasifikasi Faktor Risiko Penyakit Diabetes Melitus,” Var. J. Stat. Its Appl., vol. 5, no. 2, pp. 139–146, 2023, doi: 10.30598/variancevol5iss2page139-146.
Amrin, Rudianto, and E. Irfiani, “Analisis Algoritma Iterative Dichotomiser 3 (ID3) untuk Penilaian Kelayakan Kredit Kendaraan Bermotor,” IMTechno J. Ind. Manag. Technol., vol. 5, no. 2, pp. 36–40, 2024.
N. L. Utami, A. Nazir, E. Budianita, and F. Insani, “Jurnal Computer Science and Information Technology ( CoSciTech ) algoritma apriori,” vol. 5, no. 1, pp. 75–83, 2024.
P. Mishra, A. Biancolillo, J. M. Roger, F. Marini, and D. N. Rutledge, “New data preprocessing trends based on ensemble of multiple preprocessing techniques,” TrAC - Trends Anal. Chem., vol. 132, p. 116045, 2020, doi: 10.1016/j.trac.2020.116045.
J. Yulinda, R. S. Lubis, and R. Aprilia, “… Metode Classification Analysis Regression Trees dan Iterative Dichotomizer 3 Dalam Mengklasifikasikan Pasien Hipertensi Di Rumah Sakit Umum Daerah Dr …,” Justek J. Sains dan …, vol. 6, no. 4, pp. 482–492, 2023.
T. Thi Bi Dan, S. Widya Sihwi, and R. Anggrainingsih, “Implementasi Iterative Dichotomiser 3 Pada Data Kelulusan Mahasiswa S1 Di Universitas Sebelas Maret,” J. Teknol. Inf. ITSmart, vol. 4, no. 2, p. 84, 2016, doi: 10.20961/its.v4i2.1770.
B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, pp. 66–75, 2021, doi: 10.26877/jiu.v6i2.6552.
C. H. Yutika, A. Adiwijaya, and S. Al Faraby, “Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 422, 2021, doi: 10.30865/mib.v5i2.2845.
D. W. Astuti, M. Muslim, and T. A. Pahlevi, “Substrate Integrated Waveguide Bandpass Filter dengan Complementary Split Ring Resonator,” J. Rekayasa Elektr., vol. 15, no. 1, 2019, doi: 10.17529/jre.v15i1.12266.
N. Hidayah and Dodiman, “Implementasi Algoritma Multinomial Naïve Bayes, TF-IDF danConfusion Matrix dalam Pengklasifikasian Saran Monitoring danEvaluasi Mahasiswa Terhadap Dosen Teknik InformatikaUniversitas Dayanu Ikhsanuddin,” J. Akad. Pendidik. Mat., vol. 10, no. 1, pp. 8–15, 2024.
How To Cite This :
Refbacks
- There are currently no refbacks.
