DATA MINING UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA SISTEM INFORMASI ( STUDI KASUS : STMIK YKPP PRABUMULIH)

ANDROWIN, PRAYOSA and Susan Dian, Purnamasari (2020) DATA MINING UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA SISTEM INFORMASI ( STUDI KASUS : STMIK YKPP PRABUMULIH). Diploma thesis, Universitas Bina Darma.

	Text BAB 0.pdf Download (870kB)
	Text BAB I.pdf Download (559kB)
	Text DP.pdf Download (531kB)

Abstract

Dalam sistem pendidikan mahasiswa adalah aset penting bagi sebuah institusi pendidikan dan untuk itu perlu diperhatikan tingkat kelulusan mahasiswa tepat pada waktunya. Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondisi kaya akan data tapi minim informasi. Data mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Presentase naik turunnya kemampuan mahasiswa untuk menyelesaikan studi tepat waktu merupakan salah satu elemen penilaian akreditasi universitas. Untuk itu perlu adalah pemantauan dan evaluasi terhadap kelulusan mahasiswa dengan menggunakan klasifikasi data mining. Universitas YKPP Prabumulih merupakan Universitas terkemuka di kota prabumulih.Dengan jumlah mahasiswa yang meningkat setiap tahunnya, mengharuskan Universitas YKPP Prabumulih harus dapat mengatur jumlah mahasiswa yang keluar dan jumlah mahasiswa yang masuk, Dengan bertambah pesatnya jumlah mahasiswa baru setiap tahunnya maka secara otomatis akan terciptanya data-data yang sangat banyak dan akan bertambah melimpahnya data yang tersimpan dalam database. Agar data yang awalnya sangat minim informasi tersebut dapat diubah menjadi suatu informasi yang sangat bermanfaat dengan menggunakan teknik data mining, salah satunya informasi tingkat kelulusan mahasiswa khususnya jurusan sistem informasi. Metode mining dalam penelitian ini berdasarkanproses metodeologi CRISP-DM (CRoss-Industry Standard Process for Data Mining) yang merupakan Salah satu proses yang sudah dijadikan standard tersebut dan boleh dibilang sebagai yang paling populer. SVM (Support Vector Machine) digunakan untuk menganalisis dan mengetahui tingkat kelulusan mahasiswa, data yang dibutuhkan adalah data-data mahasiswa yang sudah lulus sebagai data training sedangkan data-data mahasiswa yang masih menempuh studi kuliah sebagai data uji. Dalam penelitian ini dalam memprediksi kelulusan mahasiswa dengan menggunakan algoritma SVM (Support Vector Machine) hasil yang diperoleh mendapatkan accuracy sebesar 72,46% dan akurasi untuk tidak lulus sebesar 98.00%. yang semakin optimal dengan menentukan mahasiswa lulus tepat waktu atau tidak lulus tepat waktu.

Actions (login required)

View Item