Abstract — Salah satu unsur yang menjadi penilaian akreditasi sebuah program studi
adalah ketepatan waktu lulusan mahasiswa. Adanya mahasiswa yang tidak aktif tentu akan
mempengaruhi ketepatan waktu kelulusan. Prediksi keaktifan mahasiswa diperlukan untuk
mencegah siswa yang berpotensi tidak aktif. Penelitian ini bertujuan untuk membandingkan
algoritma machine learning SVM dan Decision Tree dalam melakukan prediksi keaktifan
mahasiswa. Proses prediksi dilakukan dengan langkah; pengumpulan data, pre-prosesing data,
pembentukan model, perbandingan model, dan evaluasi. Hasil penelitian menunjukan bahwa
algoritma SVM memiliki keakuratan lebih baik dari algoritma Decision Tree dalam
memprediksi keaktifan mahasiswa. Algoritma SVM memiliki tingkat akurasi 95% dan
algoritma Decision Tree memiliki tingkat akurasi 93%.
Beberapa penelitian yang berkaitan dengan Penelitian-penelitian lain yang berkaitan dengan
prediksi keaktifan mahasiswa telah dilakukan. prediksi keaktifan mahasiswa juga dilakukan dengan
Beberapa penelitian menggunakan algoritma Data membandingkan beberapa algoritma prediksi,
Mining. Algoritma Data Mining digunakan untuk diantaranya yaitu dengan membandingkan algoritma
pembuatan sistem penganalisa keaktifan mahasiswa Bayesian dan Decision Tree [11], algoritma Apriori
(SPAS) [2], untuk memprediksi keaktifan mahasiswa dan K-Means [12]. Namun demikian, belum ada
(rendah, rata-rata, baik, dan sangat baik) penelitian untuk membandingkan algoritma SVM dan
menggunakan data pendidikan [3] . Penelitian lain Decision Tree untuk memprediksi keaktifan
dengan menerapkan algoritma Decision Tree seperti; mahasiswa.
105
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
106
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
REFERENCES
[1] BAN-PT, “Buku I Naskah Akademik Akreditasi Institusi
Perguruan Tinggi.” 2011.
[2] C. L. Sa, D. H. b. A. Ibrahim, E. D. Hossain, and M. bin
Hossin, “Student performance analysis system (SPAS),”
Gambar 2. Grafik perbandingan prediksi SVM dan Decision Tree in The 5th International Conference on Information and
Communication Technology for The Muslim World
Tabel IV menunjukan bahwa algoritma SVM (ICT4M), 2014, pp. 1–6.
dapat memprediksi mahasiswa aktif dengan tepat
sebesar 96% sedangkan algoritma Decision Tree [3] T. Devasia, T. P. Vinushree, and V. Hegde, “Prediction
of students performance using Educational Data Mining,”
sebesar 94%. Namun dalam memprediksi mahasiswa
in 2016 International Conference on Data Mining and
non-aktif, algoritma Decision dapat memprediksi Advanced Computing (SAPIENCE), 2016, pp. 91–95.
dengan tepat sebesar 92% sedangkan algoritma SVM
91%. Gambar 2 menunjukan bahwa algoritma SVM [4] R. Asif, A. Merceron, S. A. Ali, and N. G. Haider,
“Analyzing undergraduate students’ performance using
lebih baik dalam memprediksi mahasiswa aktif educational data mining,” Comput. Educ., vol. 113, pp.
namun tidak lebih baik dari algoritma Decision Tree 177–194, 2017.
dalam memprediksi mahasiswa non-aktif.
[5] M. N. Quadri and N. V. Kalyankar, “Drop Out Feature of
Hasil yang diperoleh dari Tabel IV masih Student Data for Academic Performance Using Decision
menggabungkan prosentase keberhasilan dan Tree Techniques,” Glob. J. Comput. Sci. Technol., vol.
10, no. 2, pp. 2–5, 2010.
kegagalan dalam memprediksi, belum
memperlihatkan akurasi prediksi secara menyeluruh. [6] A. Vihavainen, “Predicting Students’ Performance in an
Tabel V memperlihatkan prosentase akurasi prediksi Introductory Programming Course Using Data from
antara algoritma SVM dan Decision Tree secara Students’ Own Programming Process,” in 2013 IEEE
13th International Conference on Advanced Learning
menyeluruh. Technologies, 2013, pp. 498–499.
TABEL V [7] R. Conijn, A. Van den Beemt, and P. Cuijpers,
AKURASI PREDIKSI KESELURUHAN “Predicting student performance in a blended MOOC,” J.
SVM Decision Tree Comput. Assist. Learn., no. March, pp. 1–14, 2018.
95% 93% [8] A. Daud, N. R. Aljohani, R. A. Abbasi, M. D. Lytras, F.
Abbas, and J. S. Alowibdi, “Predicting Student
Tabel V menampilkan hasil akurasi keseluruhan Performance using Advanced Learning Analytics,” Proc.
antara algoritma SVM dan Decision Tree. Algortima 26th Int. Conf. World Wide Web Companion, pp. 415–
421, 2017.
SVM secara umum memliki tingkat akurasi prediksi
yang lebih baik dibandigkan dengan algoritma [9] Z. Yıldız and A. F. Baba, “Evaluation of student
Decision Tree. performance in laboratory applications using fuzzy
decision support system model,” in 2014 IEEE Global
Engineering Education Conference (EDUCON), 2014,
pp. 1023–1027.
[10] P. Nagar, “Application of Fuzzy Logic for Evaluation of
107
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
Academic Performance of Students of Computer,” Iran. [12] G. S. Gowri, R. Thulasiram, and M. A. Baburao,
Conf. Fuzzy Syst., vol. 3, no. X, pp. 260–267, 2013. “Educational Data Mining Application for Estimating
Students Performance in Weka Environment,” IOP Conf.
[11] A. U. Khasanah and Harwati, “A Comparative Study to Ser. Mater. Sci. Eng., vol. 263, no. 3, 2017.
Predict Student’s Performance Using Educational Data
Mining Techniques,” IOP Conf. Ser. Mater. Sci. Eng., [13] B. Lantz, Machine Learning with R, 2nd ed.
vol. 215, p. 012036, Jun. 2017. Birmingham-Mumbai: Packt Publishing Ltd., 2015.
108