PERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA

  • Wiwit Supriyanti STMIK AMIKOM Yogyakarta
  • Kusrini Kusrini STMIK AMIKOM Yogyakarta
  • Armadyah Amborowati STMIK AMIKOM Yogyakarta
Keywords: konsentrasi keahlian, klasifikasi data mining, C4.5, naive bayes, forward selection

Abstract

Penentuan konsentrasi akan membantu mahasiswa lebih fokus terhadap apa yang diminati
dan disesuaikan dengan nilai akademis yang dimilikinya. Banyak mahasiswa yang masih belum
mengenal minat dan kemampuan yang dimilikinya. Hal tersebut membuat mahasiswa cenderung
memilih dan menjalani konsentrasi yang tidak sesuai dengan minat dan kemampuannya.
Perbandingan kinerja algoritma C4.5 dan naive bayes bertujuan untuk mengukur tingkat akurasi
terbaik masing-masing algoritma untuk diterapkan dalam kasus pemilihan konsentrasi keahlian
mahasiswa.
Penelitian ini mengambil sampel data alumni di Program Studi Informatika Universitas
Muhammadiyah Surakarta. Variabel yang digunakan dalam penelitian ini antara lain: jurusan
sekolah asal mahasiswa, gender, nilai akademik dari semester satu sampai dengan semester enam,
konsentrasi keahlian yang dipilih serta lama studi yang ditempuh. Forward selection adalah salah
satu metode seleksi fitur yang dapat digunakan untuk mengurangi atribut yang kurang relevan pada
dataset. Penggunaan metode forward selection mampu menghasilkan tingkat akurasi yang lebih
baik dibandingkan dengan tanpa penambahan seleksi fitur yang hanya mencapai tingkat akurasi
pada algoritma C4.5 dari sebelumnya sebesar 84,43% meningkat menjadi 84,98%, sedangkan pada
algoritma naive bayes sebelumnya sebesar 78,47% meningkat menjadi 82,01%.
Hasil dari komparasi algoritma klasifikasi antara decision tree C4.5, dan naive bayes yang
digabungkan dengan metode seleksi fitur forward selection untuk kasus ketepatan pemilihan
konsentrasi mahasiswa didapatkan tingkat akurasi tertinggi dengan algoritma terpilih C4.5 dengan
nilai akurasi sebesar 84,98%.

Downloads

Download data is not yet available.
Published
2019-12-11
Section
Artikel