Perbandingan Metode Klasifikasi serta Analisis Faktor Akademis Pola Kelulusan Mahasiswa di Perguruan Tinggi

Abstract

Perkembangan Teknologi informasi di berbagai bidang diikuti dengan berkembangnya data. Pangkalan data yang menyimpan data pengelolaan pelaksanaan pendidikan tinggi dari seluruh perguruan tinggi yang terintegrasi secara nasional yaitu PDDIKTI. Data Mining merupakan proses penggalian data dari kumpulan database yang berjumlah besar yang digunakan untuk mendapatkan pengetahuan berupa informasi penting dan bermanfaat. Dalam penelitian ini penulis menerapkan penggunaan data mining untuk mengetahui klasifikasi pola akademik kelulusan mahasiswa. Pada penelitian ini penulis akan membandingkan metode klasifikasi Decision Tree, Ensemble Learning (Bagging and Boosting), mengetahui faktor yang paling berpengaruh terhadap kelulusan serta Analisis data pola akademik mahasiswa. Hasil pengujian klasifikasi data kelulusan mahasiswa dengan hasil akurasi terbaik adalah metode algoritma Ensemble Learning Bagging atau Random Forest dengan melakukan cross validation dan hyperparameter tuning (Grid Search CV) dengan akurasi 96.1%. Penggunaan cross validation dan hyperparameter tuning terbukti dapat mempengaruhi dan mengoptimalkan akurasi learning. Faktor yang paling mempengaruhi pola kelulusan mahasiswa adalah jumlah SKS semester 5, Angkatan, Indeks Prestasi, Program Kelas dan Total Cuti.