Open Data Jurnal : “Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier”

Data

Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier

Mujib Ridwan, Hadi Suyono, M. Sarosa

Ekstract Content

_x0001_ Baca data training _x0001_ Cari nilai probabilitasnya dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut
_x0001_ Clustering Clustering lebih ke arah pengelompo- kan record, pengamatan, atau kasus dalam kelas yang memiliki kemiripan
_x0001_ Deskripsi Para peneliti biasanya mencoba menemukan cara untuk mendeskripsi- kan pola dan trend yang tersembunyi dalam data
_x0001_ Mendapatkan nilai dalam tabel probabilitas
_x0001_ Unsupervised learning, metode ini dierapkan tanpa adanya latihan (training) dan tanpa ada guru (teacher)
2
3
4
5
Gambar 1 Tahap-tahap Data Mining [3] Jurnal EECCIS Vol
Gambar 11 Evaluasi Data Target Gambar 11 Grafik Hasil Pengujian
IV
Jika hasil klasifikasi “Tidak Tepat”, maka sistem akan memberikan rekomendasi dengan melakukan analisis pada data riwayat matakuliah yang telah ditempuh
Kata Kunci—Kinerja akademik mahasiswa, data mining, dan Naive Bayes Classifier
Secara umum, hasil dari pengujian menunjukkan nilai akurasi yang sadang, Hal ini disebabkan karena faktor penentu kelulusan mahasiswa tepat atau tidak tepat waktu pada kenyataannya memiliki nilai yang tidak konsisten
Selain pengujian pada data testing, juga akan dilakukan klasifikasi kelulusan pada data target
Tabel 1 adalah perhitungan nilai precision, recall, dan accuracy dengan confusion matrix untuk percobaan ke-5
Tahap-tahap data mining adalah sebagai berikut
o Evaluasi pola (pattern evaluation) Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang ditemukan
)|()|,
1
2
3
4
686-690
Arsitektur sistem dapat dilihat pada Gambar 4
B
Beberapa penelitian telah banyak dilakukan dengan menggunakan teknik data mining untuk menggali berbagai informasi dari sebuah database mahasiswa, seperti untuk analisis hubungan antara jalur masuk mahasiswa baru, prestasi dan kelulusannya menggunakan algoritma K-Means [1]; monitoring dan evaluasi kinerja akademik mahasiswa menggunakan teknik data mining [8]; menerapkan data mining untuk membangun SPK dalam mengevaluasi dan memilih calon mahasiswa internasional yang paling memenuhi syarat [4]; prediksi kelulusan mahasiswa dengan menerapkan algoritma Naïve Bayes dan algoritma C4
Berdasarkan uraian di atas, pada penelitian ini akan dibuat sebuah sistem untuk mengklasifikasikan kelulusan mahasiswa dengan cara mengevaluasi kinerja pada tahun pertama dan atau tahun kedua
Berikut hasil pengujian dari beberapa percobaan
Dalam proses pengujian, data dibagi menjadi 2 bagian yaitu data latih dan data uji
Dengan memasukkan Persamaan 1 ke Persamaan 2 akan diperoleh pendekatan yang digunakan dalam NBC
Guru di sini adalah label dari data
Hasil pengujian menunjukkan bahwa faktor yang paling berpengaruh dalam penentuan klasifikasi kinerja akademik mahasiswa yaitu Indeks Prestasi Komulatif (IPK), Indeks Prestasi (IP) semester 1, IP semester 4, dan jenis kelamin
KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar [9]
Karena itu, pada penelitian ini akan dikembangkan suatu sistem yang dapat mengklasifikasi kelulusan Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier Mujib Ridwan, Hadi Suyono, dan M
M
Misalkan untuk saran mengulang matakuliah, akan diberikan jika pada riwayat akademik ditemukan nilai matakuliah yang lebih kecil dari C, yaitu nilai D atau E
MulaiPra Penelitian Identifikasi Masalah Penetapan Tujuan Kajian Literatur Analisis Hasil Selesai Pengumpulan Data Pembersihan Data Integrasi Data Seleksi Data Data tervalidasi Transformasi Data Dataset NBC Pengujian dan Evaluasi Kesimpulan Gambar 3 Tahapan Penelitian Gambar 2 Beberapa Metode Data Mining Jurnal EECCIS Vol
Output dari sistem ini berupa klasifikasi kinerja akademik mahasiswa yang diprediksi kelulusannya dan memberikan rekomendasi untuk proses kelulusan tepat waktu atau lulus dalam waktu yang paling tepat dengan nilai optimal
Pada tahap pengolahan ada beberapa kegiatan sesuai dengan tahapan yang ada pada data mining, yaitu pembersihan data, integrasi data, seleksi data, transformasi data, dan pembentukan dataset yang dalam penelitian akan digunakan sebagai data training dan data testing
Pearson Education, Inc
Perbandingan nilai precision, recall, dan accuracy untuk setiap percobaan dapat divisualisasikan dalam bentuk grafik seperti pada Gambar 11
Perhitungan rata-rata dari semua percobaan menghasilkan nilai precision, recall, dan accuracy masing-masing 67%, 44%, dan 60%
REFERENSI [1] Erdogan, S
Saran-saran ini akan diberikan jika kondisi yang disyaratkan pada proses rekomendasi terpenuhi
Sistem Pendukung Keputusan dan Sistem Cerdas
TABEL 5 CONFUSION MATRIX PERCOBAAN KE-5 Predicted Class Tepat Tidak Tepat Actual Class Tepat 5 5 Tidak Tepat 1 9 Precision
V
[10] Shovon, Md
[11] Suhatinah, M
[12] Turban, E
[2] Garcia, E
[4] Hien, N
[6] Larose, D
[7] McLeod, Jr
[8] Ogor, E
http
kompetensi lulusan seyogyanya mendapatkan perhatian yang serius untuk memperoleh kepercayaan stakeholder dalam menilai dan menetapkan penggunaan lulusannya
o Integrasi data (data integration) Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru
o Pembersihan data (data cleaning) Pembersihan data merupakan proses menghilang-kan noise dan data yang tidak konsisten atau data tidak relevan
o Presentasi pengetahuan (knowledge presentation) Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna
o Seleksi data (data selection) Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database
_x0001_ Asosiasi Mengidentifikasi hubungan antara berbagai peristiwa yang terjadi pada satu waktu
_x0001_ Estimasi Estimasi mirip dengan klasifikasi, kecuali variabel tujuan yang lebih kearah numerik dari pada kategori
_x0001_ Klasifikasi Dalam klasifikasi variabel, tujuan bersifat kategorik
_x0001_ Prediksi Prediksi memiliki kemiripan dengan estimasi dan klasifikasi
_x0001_ Supervised learning, yaitu metode belajar dengan adanya latihan dan pelatih
C
Perhitungan pada Gambar 8 merupakan dasar pembuatan tabel probabilitas yang akan digunakan pada proses klasifikasi data testing
2
3
Data mining adalah proses menemukan hubungan dalam data yang tidak diketahui oleh pengguna dan menyajikannya dengan cara yang dapat dipahami sehingga hubungan tersebut dapat menjadi dasar pengambilan keputusan [7]
I
II
Input dari sistem ini adalah data induk mahasiswa dan data akademik mahasiswa
Setelah proses pengujian terhadap data uji, hasil mining yang terbaik akan digunakan untuk mengklasifikasikan data target ke dalam kelas “tepat” atau “tidak tepat” waktu kelulusan
[3] Han, J
[5] Kabakchieva, D
[9] Santosa, B
o Transformasi data (data transformation) Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining
Data mining, sering juga disebut sebagai Knowledge Discovery in Database (KDD)
Hasil evaluasi kinerja akademik mahasiswa meliputi informasi sks dan saran untuk proses perkuliahan pada semester berikutnya agar dapat lulus dalam waktu yang tepat
1, Juni 2013 59 Abstrak–-Penelitian ini difokuskan untuk mengevaluasi kinerja akademik mahasiswa pada tahun ke-2 dan diklasifikasikan dalam kategori mahasiswa yang dapat lulus tepat waktu atau tidak
1, Juni 2013 60 mahasiswa pada tahun ke-2 dengan melihat pola kelulusan mahasiswa beberapa periode sebelumnya
1, Juni 2013 61 o Proses mining Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data
1, Juni 2013 62 2
1, Juni 2013 63 nilai pada confusion matrix untuk menghitung nilai precision, recall, dan accuracy dari hasil pengujian
1, Juni 2013 64 C
10th ed
13 Maret 2013
2005
2006
2007
2008
2010
2011
2012
353-355
53-57
7, No
A = (2 + 9) / 20 x 100% = 55
A = (5 + 6) / 20 x 100% = 55
A = (5 + 8) / 20 x 100% = 65
A = (5 + 9) / 20 x 100% = 70
A Data Mining Application In A Student Database
A Decision Support System for Evaluating International Student Applications
Algorima NBC Langkah-langkah algoritma NBC pada Gambar 6 dapat diuraikan sebagai berikut
Ali Akbar Yulianto dan Afia R
An Introduction to Data Mining
Aronson dan T
Arsitektur Sistem Pada bagian komponen sistem terbagi menjadi empat lingkungan, yaitu basis data, engine, basis pengetahuan, dan antarmuka pengguna
Beberapa metode yang dapat digunakan berdasarkan pengelompokan data mining dapat dilihat pada Gambar 2
Berikut adalah tampilan hasil klasifikasi pada data target
Concepts and Techniques, Second Edition
Dalam pendekatan ini, untuk menemukan fungsi keputusan, fungsi pemisah atau fungsi regresi, digunakan beberapa contoh data yang mempunyai output atau label selama proses training
Dalam pengujian ini digunakan data sampel mahasiswa angkatan 2005-2009 yang sudah dinyatakan lulus dari perguruan tinggi
Dari grafik tersebut dapat dilihat bahwa besar kecilnya jumlah data latih tidak selalu berbanding lurus dengan nilai precision, recall, dan accuracy dari data uji
Data Pada penelitian ini digunakan data sebagai berikut
Data target berupa sampel mahasiswa angkatan 2010-2011 dan belum lulus
Data Mining
Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar [12]
Data ini akan dianalisis untuk memberikan rekomendasi dalam proses perkuliahan berikutnya
Data ini belum memiliki kelas seperti pada data latih dan data uji
Data ini memiliki atribut NIM, jenis kelamin, asal sekolah, jalur masuk, nilai ujian nasional, gaji orangtua, IP semester 1-4, IPK semester 1-4, dan keterangan lulus
Data ini memiliki atribut NIM, jenis kelamin, asal sekolah, jalur masuk, nilai ujian nasional, gaji orangtua, IP semester 1-4, dan IPK semester 1-4
Data ini memiliki atribut NIM, kode matakuliah, dan nilai
Data input akan diproses menggunakan teknik data mining algoritma Naive Bayes Classifier (NBC) untuk membentuk tabel probabilitas sebagai dasar proses klasifikasi kelulusan mahasiswa
Data riwayat matakuliah Data ini digunakan untuk mengevaluasi data target ketika diklasifikasikan lulus tidak tepat waktu
Data target Data ini berupa sampel data induk data akademik mahasiswa angkatan 2010-2011 yang diasumsikan belum lulus
Data training dan data testing Data ini akan digunakan sebagai proses mining dan pengujian, berupa sampel data induk dan data akademik mahasiswa angkatan 2005-2009 yang sudah dinyatakan lulus
Decision Support System and Intelligent Systems – 7th ed
Dengan kata lain, diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari probabilitas individu
Desain Basis Data Pada desain basis data digambarkan beberapa tabel, atribut, dan relasinya yang akan digunakan sebagai penyimpanan data training, data testing, dan data target pada penelitian ini
Desain Sistem Berikut ini adalah desain sistem yang digunakan pada penelitian ini
Discovering Knowledge in Data
Dwi Prabantini (penterjemah)
Edisi 10
Fitriati (penterjemah)
Graduation Prediction of Gunadarma University Students Using Naive Bayes Algorithm and C4
Graha Ilmu
Haddawy
Hanya saja, prediksi hasilnya menunjukkan sesuatu yang belum terjadi (mungkin terjadi di masa depan)
Haque
Hasil mining NBC dapat digunakan untuk mengklasifikasikan kinerja akademik mahasiswa tahun ke-2 yang dalam penelitian ini dijadikan data target
IEEE Frontiers in Education Conference
IEEE Computer Society
IJARCSSE
IJCSMR
Ide dasar dari Teorema Bayes adalah menangani masalah yang bersifat hipotesis yakni mendesain suatu klasifikasi untuk memisahkan objek [9]
Istilah data mining memiliki hakikat sebagai disiplin ilmu yang tujuan utamanya adalah untuk menemukan, menggali, atau menambang pengetahuan dari data atau informasi yang kita miliki
Jakarta
John Willey & Sons, Inc
Journal Of Aeronautics And Space Technologies
Jumlah data yang digunakan adalah 100 data dengan kelas “Tepat” dan “Tidak Tepat” masing-masing berjumlah 33 dan 67
Jurnal EECCIS Vol
KESIMPULAN Dari hasil penelitian dapat disimpulkan bahwa
Kamber
Kemudian dari klasifikasi tersebut, sistem akan memberikan rekomendasi solusi untuk memandu mahasiswa lulus dalam waktu yang paling tepat dengan nilai optimal berdasarkan histori nilai yang telah ditempuh mahasiswa
LANDASAN TEORI A
Langkah selanjutnya akan diberikan data uji untuk menguji tabel probabilitas yang sudah terbentuk
Liang
Lulus – Nilai Matakuliah DATA AKADEMIK MAHASISWA NBC Rekomendasi – Jenis Kelamin – Asal Sekolah – Jalur Masuk – Nilai Unas – Gaji Orangtua – IP semester 1-4 – IPK – Keterangan Lulus – Histori Mt
METODE PENELITIAN A
Mahasiswa yang menjadi data target akan dievaluasi data riwayat akademik yang telah ditempuh dan akan diberikan saran-saran meliputi saran untuk mengulang matakuliah pada semester berikutnya atau megikuti SP, saran untuk melaksanakan PKL, saran untuk ujian seminar, saran untuk ujian komprehensif, dan saran untuk ujian skripsi
Management Information System
Metode Pelatihan Secara garis besar metode pelatihan yang digunakan dalam teknik-teknik data mining dibedakan ke dalam dua pendekatan, yaitu [9]
Misalnya, kita akan mengklasifikasikan pendapatan dalam tiga kelas, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah
Model Prediction of Academic Performance for First Year Students
Mora
Morgan Kaufmann Publishers
Naive Bayes Classifier (NBC) NBC merupakan salah satu algoritma dalam teknik data mining yang menerapkan teori Bayes dalam klasifikasi [9]
Naive bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara konditional saling bebas jika diberikan nilai output
Nilai accuracy tertinggi dari semua percobaan yaitu 70%, sedangkan nilai accuracy terendah dari semua percobaan yaitu 55%
Nilai precision tertinggi dari semua percobaan yaitu 83%, sedangkan nilai precision terendah dari semua percobaan yaitu 56%
Nina Setyaningsih (editor)
Oleh algoritma NBC, data latih digunakan untuk membentuk tabel probabilitas, dan data uji digunakan untuk menguji tabel probabilitas yang telah terbentuk
P = 2 / (2 + 1) x 100% = 66
P = 5 / (5 + 1) x 100% = 83
P = 5 / (5 + 2) x 100% = 71
P = 5 / (5 + 4) x 100% = 55
PENDAHULUAN AHASISWA merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan program studi pada suatu perguruan tinggi
PENGUJIAN DAN PEMBAHASAN A
Pada penelitian ini, digunakan teknik data mining untuk menemukan pola kelulusan mahasiswa yang sudah lulus, kemudian dijadikan dasar untuk memprediksi kelulusan mahasiswa pada tahun ke-2
Pada uji coba ini, diberikan data latih untuk membentuk tabel probabilitas
Pearson Education, Inc
Pemantauan mahasiswa yang masuk, peningkatan kemampuan mahasiswa, prestasi yang dicapai mahasiswa, rasio kelulusan terhadap jumlah total mahasiswa, dan Mujib Ridwan adalah Dosen Jurusan Teknik Informatika, UIN Maulana Malik Ibrahim Malang dan Mahasiswa Program Magister Teknik Elektro, Fakultas Teknik, Universitas Brawijaya-Malang (email
Pembahasan Dari hasil pengujian dapat diketahui nilai precision, recall, dan accuracy untuk setiap percobaan
Pemodelan Sistem Pada penelitian ini sistem dimodelkan menggunakan use case diagram untuk memodelkan tingkah laku (behavior) sistem yang akan dibuat
Penelitian ini secara garis besar meliputi beberapa kegiatan inti yaitu pembuatan proposal, pengumpulan data, pengolahan data, implementasi NBC, pengujian, dan analisis hasil
Penentuan data training dapat mempengaruhi hasil pengujian, karena pola data training tersebut akan dijadikan sebagai rule untuk menentukan kelas pada data testing
Penerbit ANDI
Pengelompokan Data Mining Ada beberapa teknik yang dimiliki data mining berdasarkan tugas yang bisa dilakukan, yaitu [6]
Pengujian Pengujian ini betujuan untuk mengetahui unjuk kerja dari algoritma NBC dalam mengklasifikasikan data ke dalam kelas yang telah ditentukan
Pengujian pada data mahasiswa angkatan 2005-2009, algoritma NBC menghasilkan nilai precision, recall, dan accuracy masing-masing 83%, 50%, dan 70%
Pengujian pada data mahasiswa angkatan 2005- 2009 mining NBC menghasilkan nilai precision, recall, dan accuracy masing-masing 83%, 50%, dan 70%
Percobaan ke-1 Menggunakan data latih sebanyak 20 data sampel 2005 dengan data uji sebanyak 20 set data
Percobaan ke-2 Menggunakan data latih sebanyak 40 data sampel 2005-2006 dengan data uji sebanyak 20 set data
Percobaan ke-3 Menggunakan data latih sebanyak 60 data sampel 2005-2007 dengan data uji sebanyak 20 set data
Percobaan ke-4 Menggunakan data latih sebanyak 80 data sampel 2005-2007 dengan data uji sebanyak 20 set data
Percobaan ke-5 Menggunakan data latih sebanyak 100 data sampel 2005-2009 dengan data uji sebanyak 20 set data
Persiapan Data Pada tahap pengujian ini, data yang akan digunakan sudah dibersihkan dan ditranformasi-kan dalam bentuk kategori
Prediction of Student Academic Performance by an Application of K-Means Clustering Algorithm
R = 2 / (2 + 8) x 100% = 20
R = 5 / (5 + 5) x 100% = 50
Salemba Empat
Sampel mahasiswa angkatan 2005-2009 yang sudah dinyatakan lulus akan digunakan sebagai data training dan testing
San Francisco
Sarosa M Jurnal EECCIS Vol
Sarosa adalah Dosen Teknik Elektro, Politeknik Negeri Malang-Indonesia (email
Schell
Sedangkan data mahasiswa angkatan 2010-2011 dan belum lulus akan digunakan sebagai data target
Sehingga besar atau kecilnya prosentase tingkat precision, recall, dan accuracy dipengaruhi juga oleh penentuan data training
Sehingga faktor-faktor tersebut dapat digunakan sebagai bahan evaluasi bagi pihak pengelola perguruan tinggi
Setelah proses mining, data ini akan memiliki kelas berdasarkan tabel probabilitas yang diperoleh dari data training
Setelah proses import data training, berikut hasil perhitungan dari 20 data training pada aplikasi
Sistem Informasi Manajemen
Student Academic Performance Monitoring and Evaluation Using Data Mining Techniques
Student Performance Prediction by Using Data Mining Classification Algorithms
Tabel 2 adalah perhitungan nilai precision, recall, dan accuracy dengan confusion matrix untuk percobaan ke-5
Tabel 3 adalah perhitungan nilai precision, recall, dan accuracy dengan confusion matrix untuk percobaan ke-5
Tabel 4 adalah perhitungan nilai precision, recall, dan accuracy dengan confusion matrix untuk percobaan ke-5
Tabel 5 adalah perhitungan nilai precision, recall, dan accuracy dengan confusion matrix untuk percobaan ke-5
Tahap-tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan knowledge base
Tahap-tahap Data Mining Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap proses yang diilustrasikan pada Gambar 1
Tahapan Penelitian Pada penelitian ini, tahapan penelitian yang dilakukan adalah seperti pada Gambar 3
Teknik Pemanfaatan Data untuk Keperluan Bisnis
Teknik data mining yang akan digunakan dalam penelitian ini adalah algoritma NBC yang merupakan sebuah pengklasifikasi probabilitas sederhana yang mengaplikasikan Teorema Bayes
Teorema keputusan Bayes adalah adalah pendekatan statistik yang fundamental dalam pengenalan pola (pattern recoginition)
Timor
Unjuk kerja diperoleh dengan memberikan Gambar 6 Flowchart Algoritma NBC prob mining hasil_klasif ikasi data uji data latih hasil uji riwayat matakuliah riwayat nilai riwayat akademik tb_matakuliah kode_mk nama_mk jenis_mk sks tb_nilai grade nil_min nil_max tb_mahasiswa NIM asal_daerah tahun_masuk tahun_lulus data_testing id_uji jenkel asal_sekolah jalur_masuk nilai_unas gaji_ortu ips1 ips2 ips3 ips4 ipktb_user id_user username password level data_training id_latih jenkel asal_sekolah jalur_masuk nilai_unas gaji_ortu ips1 ips2 ips3 ips4 ipk ket_lulus tb_hasil id_hasil klasifikasi tb_riwayat id_riwayat th_akademik semester minng_nbc id atribut nilai_atribut jml_total jml_tepat jml_tdk_tepat prob_tepat prob_tdk_tepat Gambar 7 Desain Basis Data Manage Data Training Pengukuran Hasil Mining Proses Mining Administrator Login Proses Klasifikasi Manage Data Testing Proses Rekomendasi Pengguna Gambar 5 Use Case Diagram Prosedur
Untuk Nilai recall tertinggi dari semua percobaan yaitu 50%, sedangkan nilai recall terendah dari semua percobaan yaitu 20%
Vol 1 Issue 4
Volume 2 Issue 7
Volume 2 Number 2
Yogyakarta
dan Ernastuti
dan G
dan M
dan P
hadis@ub
mu71bridwan@gmail
nilai ouput hasil klasifikasi Naïve Bayes P(ai|vj)
rasio antara nc /n, di mana nc adalah jumlah data training untuk v=vj dan a=ai; dan n adalah total kemungkinan output III
rmsarosa@gmail
, J
,,,( 321 ji i jn vaPVaaaaP ∏= …………………(1) )|()(maxarg jijVvjNB vaPVPV ∏∈= …………………(2) dengan VNB
//papers
00% Gambar 9 View Hasil Testing Gambar 10 Klasifikasi Data Target Gambar 8 Perhitungan Data Training TABEL 1 CONFUSION MATRIX PERCOBAAN KE-1 Predicted Class Tepat Tidak Tepat Actual Class Tepat 2 8 Tidak Tepat 1 9 Precision
00% Jurnal EECCIS Vol
00% Accuracy
00% TABEL 2 CONFUSION MATRIX PERCOBAAN KE-2 Predicted Class Tepat Tidak Tepat Actual Class Tepat 5 5 Tidak Tepat 4 6 Precision
00% TABEL 3 CONFUSION MATRIX PERCOBAAN KE-3 Predicted Class Tepat Tidak Tepat Actual Class Tepat 5 5 Tidak Tepat 4 6 Precision
00% TABEL 4 CONFUSION MATRIX PERCOBAAN KE-4 Predicted Class Tepat Tidak Tepat Actual Class Tepat 5 5 Tidak Tepat 2 8 Precision
33% Recall
42% Recall
5 [11]; model prediksi kinerja akademik mahasiswa tahun pertama menggunakan NBC [2]; prediksi kinerja akademik mahasiswa dengan algoritma K-Means clustering yang hasilnya setelah proses clustering mahasiswa akan dikelompokkan ke dalam tiga kategori, yaitu kategori mahasiswa yang memiliki kinerja tinggi, sedang, dan rendah [10]; dan prediksi kinerja mahasiswa menggunakan algoritma klasifikasi data mining yaitu decision tree classifier, neural network, dan nearest neighbour classifier [5]
5 Algorithm
55% Recall
66% Recall
7, No
E
H
I
M
N
P
R
S
T
Z
ac
com)
com) Hadi Suyono adalah Dosen Teknik Elektro, Universitas Brawijaya Malang-Indonesia (email
gunadarma
id)
id/files/journals/3/articles/816/public /816-2182-1-PB
kuliah INPUT – Klasifikasi Kinerja – Rekomendasi – Proses Kelulusan OUTPUT SISTEM Klasifikasi Kelulusan Mahasiswa Permasalahan Gambar 4 Arsitektur Sistem Jurnal EECCIS Vol
pdf