JEPIN Vol.

9
No. 1
(Jurnal Edukasi dan Penelitian Informatika) April 2023
ISSN(e): 2548-9364 / ISSN(p) : 2460-0741

Data Preparation Structure untuk Pemodelan Prediktif Jumlah

Peserta Ajar Mata Kuliah
Anggi Perwitasari#1, Rina Septiriana*2, Tursina#3
#
Jurusan Informatika, Fakultas Teknik, Universitas Tanjungpura
Jl. Prof. Dr. Hadari Nawawi, Pontianak, Kalimantan Barat
1anggiperwitasari@informatika.untan.ac.id

2rinaseptiriana@informatika.untan.ac.id

3tursina@informatika.untan.ac.id

Abstrak— Salah satu cara yang dapat dilakukan untuk
menciptakan proses pembelajaran efektif di kelas adalah
dengan cara memprediksi jumlah mahasiswa yang akan
mengambil suatu mata kuliah. Prediksi merupakan suatu
proses analisis dengan memanfaatkan informasi atau data
dimasa lalu untuk menghasilkan suatu perkiraan terhadap
suatu kondisi yang akan terjadi di masa mendatang, Proses
prediksi dapat dilakukan dengan berbagai teknik, salah
satunya yaitu teknik data mining. Dalam melakukan suatu
analisis prediksi, tahapan paling utama adalah melakukan
persiapan data mentah menjadi data yang berkualitas serta
memastikan bahwa data yang diberikan untuk proses seleksi
dan transformasi telah bersih yang dikenal dengan data
preparation (preparasi data). Tahapan yang dilakukan
dalam melakukan preparasi data meliputi data selection
(seleksi data), data pre-processing serta data cleaning yang
terdiri dari penanganan missing data, penghapusan data
duplicate dan feature construction. Skema data preparation
diciptakan dan diimplementasikan dengan memanfaatkan
Orange Data mining Tools. Hasil dari preparation data
diimplementasikan dalam pemodelan analisa prediktif
jumlah peserta ajar mata kuliah di Jurusan Informatika
dengan menggunakan 4 (empat) algoritma data mining yaitu
Naive Bayes, kNN, SVM, dan Neural Network dengan nilai
Accuracy, Precision dan Recall cukup tinggi untuk setiap
algoritma yang diujikan.
Kata kunci— data preparation, prediksi, data cleaning,
feature construction, data mining
I. PENDAHULUAN
Perkuliahan merupakan kegiatan pembelajaran yang
dilaksanakan oleh dosen dan mahasiswa baik dalam
kegiatan tatap muka di kelas, praktikum, penyelenggaraan
percobaan dan pemberian tugas akademik [1] serta
pembelajaran jarak jauh (PJJ). Kegiatan pembelajaran ini
dalam pelaksanaannya memerlukan perencanaan serta
koordinasi yang baik. Hal ini dapat didukung dengan
pelaksanaan manajemen pada kelas.
Manajemen Pendidikan merupakan ilmu mengelola
sumber daya Pendidikan (suasana dan proses
pembelajaran) agar peserta didik aktif dalam
mengembangkan potensi, mengendalikan diri,
berkepribadian, cerdas, berahlak mulia dan terampil untuk
dirinya, masyarakat, bangsa dan negara[2]. Proses
manajemen meliputi perencanaan, pengorganisasian,
pengarahan, dan pengawasan serta penilaian usaha
pendidikan dalam mencapai tujuan pendidikan yang
ditetapkan[3].
Salah satu dalam proses manajemen Pendidikan yakni
manajemen kelas, yaitu usaha sadar untuk mengatur
kegiatan proses belajar mengajar secara sistematis, dalam
bentuk pengarahan persiapan bahan ajar, sarana dan
prasarana, pengaturan ruang belajar untuk mewujudkan
suasana pembelajaran efektif[4]. Pembelajaran yang
efektif akan tercipta oleh strategi pembelajaran yang
bagus, kesiapan sarana prasarana, suasana kelas yang
aman dan nyaman, serta interaksi sosial yang bagus[3].
Pembelajaran efektif dapat dibentuk dengan
melaksanakan manajemen dalam kelas. Salah satunya
yakni mempersiapkan jumlah peserta ajar yang tergabung
di dalam kelas. Menciptakan jumlah peserta ajar di dalam
kelas yang efektif harus mempertimbangkan segala aspek
antara lain jumlah mahasiswa, kapasitas ruang kelas,
sarana dan prasarana dalam ruang kelas, serta jenis
perkuliahan (teori atau praktikum).
Di Jurusan Informatika, Fakultas Teknik Universitas
Tanjungpura, salah satu masalah yang terjadi dalam
manajemen Pendidikan yakni menciptakan kelas yang
efektif. Jumlah peserta mata kuliah terkadang menjadi
tidak berimbang dikarenakan jumlah kelas yang dibuka
terlalu banyak atau terlalu sedikit. Untuk itu diperlukan
suatu cara untuk memprediksi jumlah mahasiswa yang
akan mengambil suatu mata kuliah. Proses prediksi dapat
dilakukan dengan memanfaatkan data berupa kumpulan
teks yang harus diproses agar dapat memiliki makna[5]
dimasa lalu untuk menghasilkan suatu perkiraan terhadap
suatu kondisi yang akan terjadi di masa mendatang, hal ini
dilakukan agar proses persiapan dapat mencapai kesalahan
yang minimum. Proses prediksi dapat dapat dilakukan
dengan berbagai teknik, salah satunya yaitu teknik data
mining.
Dalam penelitian ini dilakukan tahap utama dalam
proses data mining yaitu data preparation untuk

Submitted 17-08-2022; Revised 13-12-2022; Accepted 17-12-2022 7

JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. 8, No. 3, Desember 2022
menghasilkan data yang berkualitas atau bebas dari data
tidak lengkap (incomplete), data yang error (noisy), dan
atau data yang tidak lengkap (incomplete)[6]. Analisa
terhadap data dan teknik data preparation untuk
menciptakan sebuah struktur data preparation yang tepat
serta sesuai dengan karakteristik data hasil analisis serta
struktur data preparation akan dihasilkan dan
diimplementasikan serta diuji menggunakan orange data
mining tools dalam kasus pemodelan prediktif jumlah
peserta ajar mata kuliah di Jurusan Informatika Fakultas
Teknik Universitas Tanjungpura Pontianak dengan teknik
data mining.
II. METODOLOGI
Untuk menghasilkan model data preparation yang
digunakan untuk menghasilkan clean data/data berkualitas
dilakukan identifikasi masalah, analisis terhadap data
yang diperoleh di Jurusan Informatika untuk kebutuhan
prediksi serta menghasilkan sebuah struktur data
preparation yang kemudian diimplementasikan dan diuji.
A. Identifikasi Masalah
Identifikasi masalah dilakukan untuk menemukan atau
menangkap permasalahan yang terjadi sehingga solusi
dapat diberikan. Hasil identifikasi masalah pada Jurusan
Informatika yang merupakan salah satu program studi
jenjang sarjana (S1) di lingkungan Fakultas Teknik
Universitas Tanjungpura terkait dengan perlunya
dilakukan preparasi data untuk pemodelan predikitif
jumlah peserta mata kuliah yaitu:
• Penentuan kapasitas kelas kurang efektif. Belum
mengandalkan data, melainkan pola kebiasaan
dalam penentuannya.
• Data pendukung untuk penentuan kapasitas kelas
belum tersedia atau belum siap digunakan. Data
yang tersedía masih dikategorikan kedalam dirty
data atau data yang belum berkualitas. Data dapat
saja tidak lengkap (incomplete), data yang error
(noisy), atau data yang duplikat (duplicate data)
B. Scope/Ruang Lingkup Masalah
Pada proses analisis data yang akan dilakukan, kami
berfokus pada proses data preparation untuk pemodelan
prediktif pada peserta ajar mata kuliah Jurusan
Informatika Fakultas Teknik Universitas Tanjungpura.
Seluruh rangkaian proses data preparation kami rangkum
ke dalam sejumlah scope item (lihat Tabel I).
TABEL I
SCOPE ITEM DATA PREPARATION
Kode Deskripsi Scope
SCI – Tidak membahas algoritma data mining yang
001 digunakan dalam predictive modelling. Hanya
meliputi kajian teknik / algoritma data mining
yang dapat digunakan untuk melakukan
pemodelan prediktif
Korespondensi : Anggi Perwitasari
Kode Deskripsi Scope
SCI – Data preparation structure yang dihasilkan
002 berdasarkan pada data akademik Untan program
studi Informatika, meliputi kegiatan berupa
analisis terhadap data akademik mahasiswa
jurusan Informatika fakultas teknik Untan
SCI – Data preparation structure yang dihasilkan
003 diperuntukkan dalam melakukan analisa prediksi
jumlah peserta mata kuliah, untuk menghasilkan
struktur data preparation yang sesuai dengan
karakteristik data yang dianalisis untuk kebutuhan
pemodelan prediktif
C. Analisis Data
Proses analisis data yakni untuk mengidentifikasi
kesalahan dan ketidakkonsistenan yang terjadi pada basis
data (lihat Tabel II). Fase ini disebut juga fase audit data
di mana fase ini akan menemukan semua jenis anomali
dalam basis data [7]. Selain itu, berdasarkan pada hasil
analisis sistem perkuliahan, mahasiswa diharuskan
mengulang mata kuliah yang tidak lulus dan ini akan
mempengaruhi proses jumlah peserta ajar, mahasiswa
dapat tidak memilih mata kuliah yang telah disediakan
guna mengulang mata kuliah sebelumnya [8].
Adapun data yang dibutuhkan dalam analisis yakni data
akademik mahasiswa jurusan Informatika Fakultas Teknik
Universitas Tanjungpura tahun 2018 hingga 2021. Data
tersebut telah menampilkan seluruh data terkait akademik
mahasiswa mulai dari NIM, nama mahasiswa, ipk, ips,
kode dan nama mata kuliah yang telah diambil, nilai mata
kuliah meliputi absensi; tugas; uts; uas; nilai total; dan
nilai angka.
TABEL II
HASIL ANALISIS DATA AKADEMIK
Penyimpangan Data Deskripsi
Incomplete/Missing Terdapat missing data pada atribut
data nilai
Duplikat Data Terdapat data mahasiswa yang
sama dengan data mata kuliah yang
sama namun dengan data nilai yang
berbeda
Data Selection Tidak semua data digunakan dalam
proses prediksi. Tahun ajaran, mata
kuliah disatukan dalam satu data
akademik
Penyesuaian Tipe Terdapat data dengan nilai atau tipe
Data data yang tidak sesuai (contoh: nilai
total, ipk, ips yang bertipe string).
Tipe data ini harus diubah menjadi
numerical untuk meningkatkan
performansi algoritma.
Atribut tidak lengkap Diperlukan penambahan atribut
feature construction untuk
mendukung proses data mining
Seluruh data yang telah dikoleksi merupakan data
mentah/raw dan belum memenuhi kebutuhan analisa
prediksi. Selain itu diperlukan pertimbangan integritas
dengan data lainnya antara lain data mata kuliah, data
mahasiswa untuk mendukung analisa prediksi. Dengan
8
JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. 8, No. 3, Desember 2022
menganalisa jumlah kelulusan mahasiswa pada suatu mata
kuliah menggunakan Predictive Modelling, dapat
diketahui berapa jumlah kelas yang seharusnya dibuka
dalam satu semester. Model prediksi berkaitan proses
mengembangkan alat atau model matematika yang
menghasilkan prediksi yang akurat [9].
D. Data preparation Structure
Berdasarkan pada hasil analisa data dan mengacu pada
proses data preparasi data mining, maka dihasilkan sebuah
struktur data preparasi untuk melakukan pemodelan
prediktif terhadap jumlah peserta ajar mata kuliah di
Jurusan Informatika Universitas Tanjungpura. Struktur ini
dapat digunakan sebagai acuan dalam melakukan
preparasi data dengan ciri-ciri data yang mendekati data
akademik dengan jenis masalah maupun anomali yang
serupa. Struktur data preparation yang dibentuk dapat
dilihat pada Gambar 1.
Gambar 1. Data preparation Structure untuk pemodelan prediktif jumlah
peserta ajar mata kuliah
III. HASIL DAN PEMBAHASAN
Struktur data preparation yang telah dihasilkan
kemudian diimplementasi dan diuji menggunakan orange
data mining tools, yakni sebuah perkakas. Setelah
implementasi dilakukan, maka dilakukan pengujian
terhadap struktur data preparation menggunakan
beberapa algortima data mining.
A. Data Selection
Proses seleksi atau pemilihan data yang relevan
terhadap analisis untuk diterima dari koleksi data yang ada,
berasal dari basis data Sistem Informasi Akademik
Universitas Tanjungpura dengan spesifikasi program studi
Informatika tahun ajaran 2018 hingga 2021 atau data
dalam kurun waktu 3 tahun. Pengumpulan data
dilaksanakan secara manual melalui pengambilan data
pada basis data Sistem Informasi Akademik (SIAKAD)
UNTAN yang bertempat di UPT TIK UNTAN data
tabular dengan format xls (Microsoft Excel Sheet).
Proses pengumpulan data berlangsung selama 7 (tujuh)
hari dan menghasilkan 7.390 instances yang terdiri dari
data nama mahasiswa, tahun akademik, kode mata kuliah,
nama mata kuliah, kelas, sks, data nilai meliputi absensi,
tugas, uts, uas, nilai total, nilai huruf, nilai mutu data IPK
dan data IPS. Data yang diperoleh merupakan data
Korespondensi : Anggi Perwitasari
universal yang belum memenuhi spesifikasi penelitian
untuk kebutuhan analisa prediksi.
B. Pre-processing and Cleaning Data
Kualitas data adalah hal dihadapi oleh sebagian besar
organisasi dan muncul karena penanganan yang tidak
tepat dan menghasilkan inkonsistensi dalam basis data
[10]. Untuk itu, pada tahap ini data yang telah diseleksi
akan ditingkatkan kehandalannya dengan melakukan
pembersihan terhadap dirty data (data kotor). Masalah
kualitas data adalah salah satu kendala untuk
menggunakan data secara efektif. meliputi menghapus
data-data yang tidak berkaitan dan memeriksanya kembali
sehingga dapat menyelesaikan permasalahan noise,
missing values, dan sebagainya.
Tahap pre-processing dan data cleaning dilakukan
untuk menghasilkan clean data/data berkualitas/ data yang
bebas dari duplikasi data, data tidak lengkap, data tidak
konsisten, atau adanya penambahan data untuk menunjang
pemodelan prediktif jumlah peserta ajar mata kuliah di
Jurusan Informatika Universitas Tanjungpura. Adapun
preproses data yang dilakukan berdasarkan pada hasil
analisis data yaitu.
1) Missing Data: Proses yang dilakukan untuk
penanganan missing data yaitu dengan “Impute Missing
Value”. Impute adalah penggantian sel kosong atau hilang
dalam kumpulan data dengan nilai actual [11]. Dari 7390
instances dan 15 feature, terdapat sekitar 9,3% missing
data atau terdapat 1344 kolom data yang hilang atau
missing value. Data yang hilang pada data akademik
meliputi seluruh fitur yang berkaitan dengan nilai yaitu
absen, tugas, uts, nilai total, dan nilai huruf serta terjadi
secara acak. Teknik impute missing valued menggunakan
metode average/most frequent dan diperoleh 0% missing
value. Dengan metode ini, nilai yang diinputkan adalah
nilai rata-rata atau nilai yang nilai sering muncul. Hal ini
dikarenakan data nilai merupakan salah satu variabel
pengamatan yang menentukan kelulusan mahasiswa.
2) Duplicate data: Duplikasi data terjadi ketika
entitas dunia nyata memiliki dua atau lebih representasi
yang berbeda di dalam atau di seluruh database. Idealnya,
dalam sistem yang bebas kesalahan dengan data yang
sangat bersih, setiap record dalam basis data memiliki
pengenal unik[12]. Pada data akademik mahasiswa,
kemungkinan terjadinya duplikasi data akibat adanya
mahasiswa yang mengulang mata kuliah. Untuk itu,
dilakukan pendeteksian data duplikasi melalui dua tahap
yaitu:
• Euclidean Distances. Data yang telah melewati
tahap penanganan tipe dan missing data kemudian
akan dideteksi kedekatannya menggunakan
Euclidean Distances untuk mengukur jarak
kedekatan antar baris (row).
• Duplicate Detection. Dilakukan proses
pendeteksian duplikasi data dengan melihat jarak
kedekatan antara data. Untuk representasi data yang
digunakan dalam penelitian ini, digunakan nilai
9
JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. 8, No. 3, Desember 2022
threshold yakni 0,0 dan menghasilkan duplikasi
sebanyak 2 (dua) data yang duplikasi dari 7390 data.
Sedangkan dengan nilai threshold yakni 0,1
terdapat duplikasi data sebanyak dan 0,2 sebanyak
1613 duplikasi data. Berdasarkan hasil analisa,
ditemukan bahwa semakin tinggi nilai threshold
maka, duplikasi semakin banyak, namun hasilnya
tidak relevan, dikarenakan nama mata kuliah,
maupun nilai yang cenderung dapat berulang
namun mahasiswanya berbeda. Dengan menerapkan
nilai threshold yang kecil, maka hasil duplikasi
semakin relevan, atau hanya mempertimbangkan
beberapa feature saja dalam pendeteksian duplikasi.
Gambar 2. Hasil Euclidean distance untuk mendeteksi duplikasi data
Setelah melalui pendeteksian duplikasi, data kemudian
dibersihkan dengan mengeliminasi data duplikat dan
menghasil 7388 dataset akademik.
3) Feature Construction: dilakukan untuk melakukan
penambahan data yang dibutuhkan dalam proses
penambangan. Adapun atribut baru yang diciptakan untuk
mendukung pemodelan prediksi peserta ajar mata kuliah
yaitu:
• status nilai. Atribut ini merupakan atribut
kategorikal yang memperlihatkan status nilai dari
mahasiswa. Nilai dari atribut ini dikategorikan
sebagai “mengulang” dan “tidak mengulang” jika
nilai C+, C, D, dan E.
• mk_semester. Atribut untuk melihat semester dari
mata kuliah.
• Angkatan. Atribut untuk melihat Angkatan, atau
tahun masuk mahasiswa
• mk_tahun. Atribut untuk melihat tahun ajaran mata
kuliah yang di-generate dari tahun ajaran.
• status_kuliah. Atribut ini memperlihatkan status
pengambilan mata kuliah yakni berstatus “baru”
mengambil mata kuliah atau “mengulang mata
kuliah”. Atribut ini diciptakan berdasarkan pada
nim mahasiswa dan tahun ajaran yang ditempuh.
C. Transformation and Integration Data
Setelah melakukan tahapan Pre-Processing dan
Cleaning Data dilanjutkan dengan tahapan
Korespondensi : Anggi Perwitasari
Transformation, yaitu mentransformasi atau
mengkonsolidasi data ke bentuk yang cocok untuk
mining[13] untuk meningkatkan akurasi dan efisiensi
algoritma. Adapun teknik yang dilakukan yakni:
• Normalisasi dilakukan untuk menykalakan nilai
data dalam rentang nilai -1 sampai 1 atau 0 sampai
1.
• Feature Selection adalah memodelkan atau
menganalisa data yang secara umum dilakukan saat
pre-processing dan bertujuan untuk memilih sub
set kecil dari fitur yang relevan dari yang asli
dengan menghapus fitur yang tidak relevan,
berlebihan, atau noise[14].
D. Pengujian Data dengan Teknik Data mining
Setelah proses data preparasi dilakukan data kemudian
disimpan ke dalam dataset dengan nama “dataset
akademik 2018-2019 (pre-process).tab”. Dataset ini
kemudian dapat digunakan dalam pemodelan analisa
prediksi peserta mata kuliah di Jurusan Informatika
Universitas Tanjungpura.
Selanjutnya untuk melihat apakah data dapat digunakan
dalam kasus pemodelan analisa prediksi peserta ajar mata
kuliah, maka dilakukan pengujian data menggunakan 4
(empat) algoritma yaitu Naïve Bayes, kNN, SVM, dan
Neural Network dengan cross validation, dan evaluasi
menggunakan confusion matrix.
Analisa data mining dilakukan untuk memprediksi
jumlah mahasiswa yang akan mengulang satu buah mata
kuliah, sebagai dasar dalam penambahan peserta ajar
kedalam peserta ajar normal (mengambil di semester yang
seharusnya). Implementasi data mining ini menggunakan
data yang telah dipreparasi untuk melihat jumlah
mahasiswa yang mengulang pada mata kuliah
“PANCASILA”.
Gambar 3. Skema pemodelan prediksi peserta mata kuliah menggunakan
Naïve Bayes, kNN, SVM, dan Neural Network
E. Interpretation/Evaluation
Pada tahap ini dilakukan interpretation/evaluasi dari
pola yang dihasilkan berdasarkan pemodelan analisa
prediksi untuk memprediksi mahasiswa yang mengulang
mata kuliah “PANCASILA” menggunakan Naïve Bayes,
kNN, SVM, dan Neural Network. Tahap ini mencakup
pemeriksaan apakah pola atau informasi yang ditemukan
bertentangan dengan fakta atau hipotesa yang ada
sebelumnya.
10
JEPIN (Jurnal Edukasi dan Penelitian Informatika), Vol. 8, No. 3, Desember 2022
Gambar 4. Hasil Evaluasi Pemodelan Prediksi dengan Naïve Bayes,
kNN, SVM, dan Neural Network
Berdasarkan pada hasil evaluasi diatas, 4 (empat)
model data mining yang digunakan yakni Naïve Bayes,
kNN, SVM, dan Neural Network menggunakan data
preparasi berhasil dilakukan dan menghasilkan Accuracy,
Precision and Recall sebesar 1 untuk model kNN dan
SVM serta 0.967, 0.985 dan 0.967 untuk Naïve Bayes,
0.996 dan 0.995, 0.996, 0.995 untuk Neural Network.
Accuracy Merupakan rasio prediksi Benar (positif dan
negatif) dengan keseluruhan data. Precision Merupakan
rasio prediksi benar positif dibandingkan dengan
keseluruhan hasil yang diprediksi positif, sedangkan recall
Merupakan rasio prediksi benar positif dibandingkan
dengan keseluruhan data yang benar positif[15].
Untuk menentukan jumlah peserta ajar yang akan
mengulang mata kuliah “PANCASILA”, maka pertama-
tama kita akan merepresentasikan jumlah mahasiswa yang
akan mengulang, berdasarkan hasil pada confusion matrix,
ditambah dengan jumlah mahasiswa yang belum
mengambil mata kuliah PANCASILA. Adapun hasil
perhitungan jumlah peserta ajar yang diprediksi
mengulang yakni 6 mahasiswa, sedangkan mahasiswa
baru yang akan mengambil mata kuliah sebanyak 54
mahasiswa, dan kapasitas kelas yakni 30 mahasiswa per
kelas. Maka, jumlah mahasiswa yang akan mengambil
mata kuliah PANCASILA yakni sebanyak 60 mahasiswa,
dan total kelas yang dapat dibuka sebanyak 2 (dua) yakni
kelas A dan B. Berdasarkan pada hasil ini, dapat
disimpulkan bahwa hasil preparasi data yang telah
dilakukan dapat digunakan untuk melakukan pemodelan
analisa prediksi jumlah peserta mata kuliah di Jurusan
Informatika Universitas Tanjungpura menggunakan
algoritma Naïve Bayes, kNN, SVM, dan Neural Network.
IV. KESIMPULAN
Dalam penelitian ini, sebuah struktur data preparation
untuk pemodelan analisa prediktif jumlah peserta ajar
mata kuliah berhasil diciptakan dan diimplementasikan
kedalam sebuah skema data preparation dengan
memanfaatkan Orange Data mining Tools. Dengan
memanfaatkan data akademik mahasiswa Jurusan
Informatika Universitas Tanjungpura.
Sebanyak 7390 instances telah berhasil dipreparasi
menggunakan struktur dan diimplementasikan dengan
tahapan meliputi seleksi data akademik tahun 2018-2020,
data pre-processing dan data cleaning yang terdiri dari
penanganan 1334 missing data, penghapusan duplicate
Korespondensi : Anggi Perwitasari
data dari 7390 menjadi 7388, dan feature construction
untuk kebutuhan pemodelan analisa prediktif, serta proses
integrasi dan transformasi data dengan menykalakan nilai
data dalam rentang nilai -1 sampai 1 untuk meningkatkan
akurasi dan efisiensi algoritma.
Hasil preparasi data yang diperoleh merupakan data
akademik tahun ajaran ganjil dan genap 2018 hingga 2021
yang berhasil diimplementasikan dalam pemodelan
analisa prediktif jumlah peserta ajar mata kuliah di
Jurusan Informatika menggunakan 4 (empat) algoritma
data mining yaitu Naïve Bayes, kNN, SVM, dan Neural
Network dengan nilai Accuracy, Precision and Recall
sebesar 1 untuk model kNN dan SVM serta 0.967, 0.985
dan 0.967 untuk Naïve Bayes, 0.996 dan 0.995, 0.996,
0.995 untuk Neural Network. Data ini kemudian dapat
digunakan untuk kebutuhan analisa prediktif maupun
analisa menggunakan teknik data mining lainnya.
REFERENSI
[1] Universitas Atma Jaya Yogyakarta. N.d., Kegiatan Perkuliahan.
[online]. Available:
http://www.uajy.ac.id/mahasiswa/administrasi-
akademik/perkuliahan/kegiatan-perkuliahan/
[2] H. Usman. 2006. Manajemen:Teori, Praktik, dan Riset Pendidikan.
Jakarta: Bumi Aksara.
[3] A. Susanto. 2016. Teori Belajar dan Pembelajaran. Jakarta:
Prenada Media Group
[4] Astuti. 2019. Manajemen Kelas Yang Efektif. Adaara: Jurnal
Manajemen Pendidikan Islam, 9(2), 892-907.
[5] Cambridge International AS & A Level Information Technology
9626. 2017. Topic 1.1 Data, Information and Knowledge.
Cambridge International Examination
[6] H. Jiawei, M. Kamber. 2001. Data mining: concepts and
techniques. San Francisco: Morgan Kaufmann Publishers.
[7] F. Ridzuan, & W. M. N. Wan Zainon. 2019. A review on data
cleansing methods for big data. Procedia Computer Science, 161,
731–738. https://doi.org/10.1016/j.procs.2019.11.177
[8] A.M. Hilda, I. Rahmadi., A. R. Dzikrillah, & D. Mugisidi. n.d.
Prediksi Jumlah Kelas Perkuliahan Di Fakultas Teknik
UHAMKA Dengan Menggunakan Algoritma Classifier.
[9] Kuhn, M., & Johnson, K. n.d. Applied Predictive Modeling.
Springer New York Heidelberg Dordrecht London.
[10] Cohen, Bevin, D. K. Vawdrey, J. Liu, D. Caplan, E. Yoko Furuya,
and F. W. Mis. 2015. Challenges Associated with Using Large
Data Sets for Quality Assessment and Research in Clinical
Settings. Policy, Politics & Nursing Practice (16): 117-124.M
Metev and V. P. Veiko, Laser Assisted Microtechnology
[11] S.M.J. van Kuijk, F.J.W.M. Dankers, A. Traverso, L. Wee. 2019.
Preparing Data for Predictive Modelling. Cham (CH): Springer;
2019. Chapter 6. PMID: 31314242.
[12] Y. Huang., & F. Chiang. n.d. Refining Duplicate Detection for
Improved Data Quality. TDDL/MDQual/Futurity@TPDL.
[13] H. Junaedi., H. Budianto., I. Maryati., Y. Melani. 2011. Data
Transformation Pada Data Mining. Prosiding Konferensi Nasional
“Inovasi Dalam Desain Dan Teknologi”-Ideatech 2011.
[14] S. Wang., J. Tang., & H. Liu. 2016. Feature Selection. In
Encyclopedia of Machine Learning and Data Mining (pp. 1–9).
Springer US. https://doi.org/10.1007/978-1-4899-7502-7_101-1
[15] W.I. Rahayu, C. Prianto E. A. Novia. 2021. Perbandingan
Algoritma K-Means Dan Naïve Bayes Untuk Memprediksi
Prioritas P Mbayaran Tagihan Rumah Sakit Berdasarkan Tingkat
Kepentingan Pada Pt. Pertamina (Persero). Jurnal Teknik
Informatika, Vol. 13, No. 2, April 2021.
11