Pengujian Akurasi Model Prediksi Menggunakan Metode Data Mining Classification Decision Tree Algoritma C4.5 untuk Penentuan Peminatan Peserta Didik

Main Article Content

Siska Narulita
Andreas Tigor Oktaga
Ika Susanti

Abstract

Ketidaktahuan akan kemampuan, minat atau bakat pada peserta didik bisa membawa dampak pada perkembangan potensi bahkan karirnya di masa depan. Penelitian tentang analisis minat dan bakat siswa juga telah banyak dilakukan. Dari data peserta didik berupa nilai dan profil, dapat digali lebih dalam sehingga akan diperoleh informasi yang berharga tentang peserta didik. Data mining merupakan proses analisis dari kumpulan data yang bertujuan untuk menemukan hubungan tak terduga serta meringkas data tersebut menggunakan cara baru yang bisa dipahami dan memberi manfaat bagi pemiliknya (Larose, 2006). Penelitian dilakukan untuk menguji akurasi model prediksi menggunakan metode data mining classification decision tree dalam menentukan minat peserta didik. Akurasi model prediksi data mining classification decision tree dalam menentukan minat dari peserta didik sangat penting karena ketidaktahuan akan kemampuan, minat atau bakat dari peserta didik akan membawa dampak pada perkembangan potensi bahkan karirnya di masa depan. Penelitian sebelumnya dilakukan oleh Setiawati (2016) berjudul Model Hybrid Metode SAW dan TOPSIS untuk Menentukan Peminatan Peserta Didik SMA. Dengan menggunakan metode data mining classification decision tree (algoritma C4.5), diperoleh hasil penelitian bahwa tingkat akurasi dari model prediksi yang dihasilkan sebesar 86,84% dan nilai AUC sebesar 0,752 termasuk dalam kategori fair classification (Gorunescu, 2011). Sedangkan penelitian sebelumnya oleh Setiawati (2016) dengan model hybrid metode SAW dan TOPSIS menghasilkan nilai akurasi sebesar 80,3%. Dengan demikian, model prediksi menggunakan data mining metode classification decision tree (algoritma C4.5) menghasilkan nilai akurasi lebih baik, karena itu bisa dibuat acuan dalam prediksi penentuan peminatan dari peserta didik.

Keywords: Indonesian

Article Metrics

PDF Downloads:

Download data is not yet available.

Article Details

Abstract Reads:

329 times on this page.