Model Prediksi Keberhasilan Mahasiswa Pada Mata Kuliah Rekayasa Perangkat Lunak Menggunakan Algoritma C5.0
Abstract
Kemajuan teknologi di era Revolusi Industri 5.0 mendorong perguruan tinggi untuk memanfaatkan teknologi dalam meningkatkan kualitas pendidikan. Pada pendidikan tinggi, keberhasilan mahasiswa dalam menyelesaikan mata kuliah inti menjadi salah satu indikator utama dalam pencapaian akademik. Mata kuliah Rekayasa Perangkat Lunak (RPL) merupakan salah satu mata kuliah utama dalam program studi Teknik Informatika yang memiliki peran dalam membekali mahasiswa dengan kemampuan analisis, desain, dan pengembangan perangkat lunak. Data mining adalah proses eksplorasi dan analisis data berskala besar untuk mengungkap pola, hubungan, atau informasi tersembunyi. Salah satu metode penting dalam data mining adalah klasifikasi, yang dapat dilakukan menggunakan algoritma C5.0, dimana algoritma ini bekerja dengan membangun pohon keputusan berdasarkan atribut dalam dataset, kemudian menggunakan pohon tersebut untuk memprediksi hasil. Pada penelitian ini penulis menggunakan algoritma C5.0 untuk menganalisis data histori akademik mahasiswa, seperti keaktifan, nilai tugas, UTS, dan UAS. Atribut tersebut digunakan untuk memprediksi keberhasilan mahasiswa pada mata kuliah RPL. Penelitian ini melibatkan tahapan studi literatur, pengumpulan data, pre-processing, perhitungan entropy, dan gain untuk menentukan atribut dengan nilai tertinggi sebagai akar pohon keputusan. Hasilnya menunjukkan bahwa atribut tugas memiliki nilai gain tertinggi dan menjadi akar pohon keputusan. Model yang dihasilkan mencapai akurasi 88,33% pada data testing, ini membuktikan efektivitas algoritma C5.0 dalam memprediksi keberhasilan mahasiswa pada matakuliah RPL. Penelitian ini memberikan kontribusi pada pengembangan model prediksi berbasis data untuk mendukung pengambilan keputusan akademik yang lebih proaktif dan efisien guna meningkatkan keberhasilan akademik mahasiswa.
Downloads
References
[2] M. Sharma, S., & Sharma, “Application of Machine Learning Algorithms in Education: A Review,” J. Comput. Appl., vol. 10, no. 4, pp. 22–29, 2018.
[3] M. Khan, A., & Khan, “Prediction of Student Performance Using C5.0 Algorithm,” Int. J. Comput. Appl., vol. 179, no. 10, pp. 27–33, 2018.
[4] X. Wang, Y., & Li, “Prediction of Student Performance in Higher Education Using Classification Algorithms,” Int. J. Inf. Educ. Technol., vol. 6, no. 7, pp. 506–510, 2016.
[5] I. Villarrasa-Sapiña, X. García-Massó, E. Liébana, and G. Monfort Torres, “Academic achievement prediction in secondary education by decision tree analysis,” Educ. XX1, vol. 27, no. 1, pp. 253–279, Jan. 2024, doi: 10.5944/educxx1.33351.
[6] M. Pasic, A. Vatres, F. Ferizbegovic, H. Bajric, and M. Pasic, “Machine learning prediction and analysis of students’ academic performance,” Period. Eng. Nat. Sci., vol. 11, no. 5, p. 27, Oct. 2023, doi: 10.21533/pen.v11i5.3793.
[7] K. Nahar, B. I. Shova, T. Ria, H. B. Rashid, and A. H. M. S. Islam, “Mining educational data to predict students performance,” Educ. Inf. Technol., vol. 26, no. 5, pp. 6051–6067, Sep. 2021, doi: 10.1007/s10639-021-10575-3.
[8] A. Kumar, P., & Rathi, “Predicting Student Dropout in Higher Education Using Machine Learning Algorithms,” Int. J. Comput. Sci. Inf. Secur., vol. 17, no. 8, pp. 1–6, 2019.
[9] Zeindri Saputra, “analisis dan perancangan aplikasi untuk klasifikasi menggunakan KNN,” 2011. [Online]. Available: http://scioteca.caf.com/bitstream/handle/123456789/1091/RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y%0Ahttp://dx.doi.org/10.1016/j.regsciurbeco.2008.06.005%0Ahttps://www.researchgate.net/publication/305320484_SISTEM_PEMBETUNGAN_TERPUSAT_STRATEGI_MELESTARI
[10] M. Sathe and A. Adamuthe, “Comparative Study of Supervised Algorithms for Prediction of Students’ Performance,” Int. J. Mod. Educ. Comput. Sci., 2021, doi: 10.5815/IJMECS.2021.01.01.
[11] P. C. Mandal, I. Mukherjee, G. Paul, and B. N. Chatterji, “Digital image steganography: A literature survey,” Inf. Sci. (Ny)., vol. 609, pp. 1451–1488, Sep. 2022, doi: 10.1016/j.ins.2022.07.120.
[12] J. C.-W. Lin, N. Sahoo, G. Srivastava, and W. Ding, “Introduction to the Special Issue on Pattern-Driven Mining, Analytics, and Prediction for Decision Making, Part II,” ACM Trans. Manag. Inf. Syst., vol. 13, no. 3, pp. 1–3, Sep. 2022, doi: 10.1145/3512468.
[13] J. Olufemi Ogunleye, “The Concept of Data Mining,” 2022. doi: 10.5772/intechopen.99417.
[14] D. Dalbergio, M. N. Hayati, and Y. N. Nasution, “Klasifikasi Lama Studi Mahasiswa Menggunakan Metode C5.0 pada Studi Kasus Data Keberhasilan Mahasiswa Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Mulawarman,” Semin. Nas. Mat. Stat. dan Apl., vol. 1, no. 1, pp. 36–42, 2019.
[15] A. C. Wijaya, N. A. Hasibuan, and P. Ramadhani, “Implementasi Algoritma C5 . 0 Dalam Klasifikasi Pendapatan Masyarakat ( Studi Kasus : Kelurahan Mesjid Kecamatan Medan Kota ),” J. Inform. dan Teknol., vol. 13, pp. 192–198, 2018.
[16] M. Pardede, E. Buulolo, and E. Ndruru, “Implementasi Algoritma C5.0 Pada Keberhasilan Peserta Ujian Kemahiran Berbahasa Indonesia (Ukbi) Pada Balai Bahasa Sumatera Utara,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komput., vol. 3, no. 1, pp. 64–72, 2019.
[17] M. S. Sungkar and M. T. Qurohman, “Penerapan Algoritma C5.0 Untuk Prediksi Keberhasilan Pembelajaran Mahasiswa Pada Matakuliah Arsitektur Sistem Komputer,” J. Media Inform. Budidarma, vol. 5, no. 3, p. 1166, 2021, doi: 10.30865/mib.v5i3.3116.
[18] J. Sinta and A. S. Sinaga, “Data Mining Algoritma C4.5 Pada Klasifikasi Kredit Koperasi Simpan Pinjam,” J. Ilmu Elektro Komput. dan Inform., vol. 4, no. 2, pp. 144–154, 2018.
[19] R. Pratiwi, M. N. Hayati, and S. Prangga, “Perbandingan Klasifikasi Algoritma C5.0 Dengan Classification and Regression Tree (Studi Kasus : Data Sosial Kepala Keluarga Masyarakat Desa Teluk Baru Kecamatan Muara Ancalong Tahun 2019),” BAREKENG J. Ilmu Mat. dan Terap., vol. 14, no. 2, pp. 273–284, 2020, doi: 10.30598/barekengvol14iss2pp273-284.
[20] L. N. Rani, “Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit,” INOVTEK Polbeng - Seri Inform., vol. 1, no. 2, p. 126, 2016, doi: 10.35314/isi.v1i2.131.
[21] I. H. Witten and E. Frank, Data Mining Practical Machine Learning Tools and Techniques. 2017. [Online]. Available: http://books.google.com/books?hl=en&lr=&id=QTnOcZJzlUoC&oi=fnd&pg=PR17&dq=Data+Mining+Practical+Machine+Learning+Tools+and+Techniques&ots=3gpDdrWiOc&sig=TZS7G8l1eXSa2SpAvfD6aBoJ2lw
[22] I. D. Mienye and N. Jere, “A Survey of Decision Trees: Concepts, Algorithms, and Applications,” IEEE Access, vol. 12, pp. 86716–86727, 2024, doi: 10.1109/ACCESS.2024.3416838.
_001.png)
1.png)
