Penerapan Ensemble Voting pada Decision Tree C4.5, K-nearest Neighbor dan Backpropagation untuk klasifikasi mahasiswa drop out

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Cholis, Daffa Nur (2023) Penerapan Ensemble Voting pada Decision Tree C4.5, K-nearest Neighbor dan Backpropagation untuk klasifikasi mahasiswa drop out. Undergraduate thesis, UIN Sunan Ampel Surabaya.

Text
Daffa Nur Cholis_H92219044 OK.pdf
Download (1MB)

Abstract

Banyaknya mahasiswa yang mengalami drop out merupakan salah satu indikator yang mempengaruhi akreditasi perguruan tinggi. Akreditasi sangat penting bagi keberlangsungan sebuah lembaga. Ada atau tidaknya mahasiswa yang mengalami drop out menjamin kualitas dan mutu lulusan dari perguruan tinggi. Banyak faktor yang menyebabkan terjadinya drop out pada mahasiswa dan pada masing-masing perguruan tinggi memiliki peraturan yang berbeda-beda. Penelitian ini melakukan klasifikasi mahasiswa aktif dan mahasiswa drop out menggunakan 1092 data mahasiswa yang terdiri dari 557 data mahasiswa aktif dan 535 data mahasiswa drop out. Peneliti menggunakan data semester, Satuan Kredit Semester (SKS), Indeks Prestasi Semester (IPS), Indeks Prestasi Kumulatif (IPK), jalur masuk dan Uang Kuliah Tunggal (UKT) sebagai variabel independen. Peneliti melakukan klasifikasi menggunakan Ensemble Voting pada metode Decision Tree C4.5, KNN dan Backpropagation sebagai metode tunggal. Selain untuk mengetahui klasifikasi mahasiswa aktif dan mahasiswa drop out penelitian ini bertujuan untuk membuktikan apakah metode Ensemble Voting mampu mendapatkan hasil akurasi, presisi dan recall lebih baik dari pada metode tunggal. Peneliti menggunakan perbandingan data latih dan data uji sebesar 90:10. Peneliti memasukan hasil klasifikasi model tunggal ke dalam metode Ensemble Voting. Metode Decision Tree C4.5 mendapat akurasi 95.45%, presisi 98.03% dan recall 92.59%. KNN mendapatkan akurasi 96.36%, presisi 100% dan recall 92.59%. Backpropagation mendapat akurasi 90.90%, presisi 95.83% dan recall 95.18%. Sedangkan pada Ensemble Voting rule yang digunakan adalah Ensemble Soft Voting dengan bobot (2,1,1). Ensemble Voting mampu memperbaiki akurasi, presisi dan recall dari masing-masing metode tunggal. Ensemble Voting mendapat akurasi 98.18%, presisi 100% dan recall 96.29%.