Wijaya, I Dewa Made Satria Sitangga (2023) ANALISIS PERBANDINGAN ALGORITMA C 4.5 DENGAN C 4.5 BERBASIS ADABOOST DALAM MEMPREDIKSI DAFTAR KEMBALI MAHASISWA BARU (STUDI KASUS: UNIVERSITAS PENDIDIKAN GANESHA). Masters thesis, Universitas Pendidikan Ganesha.
Text (COVER)
1929101009-COVER.pdf Download (496kB) |
|
Text (ABSTRAK)
1929101009-ABSTRAK.pdf Download (107kB) |
|
Text (BAB 1 PENDAHULUAN)
1929101009-BAB 1 PENDAHULUAN.pdf Download (129kB) |
|
Text (BAB 2 KAJIAN TEORI)
1929101009-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (429kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
1929101009-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (229kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
1929101009-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (366kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
1929101009-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (52kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
1929101009-DAFTAR PUSTAKA.pdf Download (117kB) |
|
Text (LAMPIRAN)
1929101009-LAMPIRAN.pdf Download (1MB) |
Abstract
Undiksha menerapkan tiga jalur penerimaan mahasiswa baru, yaitu jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN), Seleksi Bersama Masuk Perguruan Tinggi Negeri (SBMPTN), dan Seleksi Mahasiswa Baru Jalur Mandiri (SMBJM). Masing-masing jalur memiliki kuota tertentu. Kuota dirancang untuk mencapai banyak mahasiswa yang ideal. Masing-masing kuota diupayakan terpenuhi. Hal ini menuntut Undiksha memiliki strategi pada proses seleksi. Strategi yang dimaksud adalah model untuk memprediksi mahasiswa yang lolos seleksi akan melakukan daftar ulang di Undiksha atau tidak. Prediksi tersebut dapat dilakukan menggunakan teknik data mining. Data calon mahasiswa baru pada tahun sebelumnya telah dipelajari membentuk hukum-hukum yang dapat melakukan prediksi. Penelitian ini bertujuan untuk mengetahui implementasi algoritma C 4.5 dan C 4.5 berbasis Adaboost dalam memprediksi mahasiswa yang akan melakukan pendaftaran kembali. Atribut yang digunakan adalah data kota asal, prodi lulus, pekerjaan ortu, penghasilan ortu, UKT, dan sekolah asal yang diperoleh dari database UPT-TIK Undiksha Singaraja. Banyak data yang digunakan adalah 6974 data. Penerapan split validation dilakukan sebanyak delapan kali. Algoritma C 4.5 menghasilkan nilai akurasi 83.51% dengan rata-rata waktu penerapan 15.5 ms, sedangkan C 4.5 berbasis Adaboost menghasilan nilai akurasi 84.94% dengan rata-rata waktu penerapan 98.25 ms. Selisih akurasi dari kedua algoritma adalah 1.42%. Algoritma C 4.5 berbasis Adaboost memberikan nilai rata-rata akurasi yang lebih tinggi dari pada algoritma C 4.5 saja. Jika dilihat dari waktu yang dibutuhkan dalam membangun pohon dan menguji data uji, algoritma C 4.5 membutuhkan waktu yang lebih singkat dibandingkan C 4.5 berbasis Adaboost. Selisih waktu dari kedua algoritma tersebut adalah 82.75 ms. Berdasarkan hasil tersebut, pada kasus yang serupa lebih direkomendasikan untuk menggunakan C 4.5 berbasis Adaboost untuk memperoleh hasil prediksi yang lebih akurat.
Item Type: | Thesis (Masters) |
---|---|
Uncontrolled Keywords: | Prediksi, C 4.5, Adaboost, Jalur penerimaan mahasiswa, Daftar ulang, |
Subjects: | T Technology > TN Mining engineering. Metallurgy |
Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
Depositing User: | I DEWA MADE SATRIA SITANGGA WIJAYA |
Date Deposited: | 20 Feb 2023 23:56 |
Last Modified: | 20 Feb 2023 23:56 |
URI: | http://repo.undiksha.ac.id/id/eprint/14109 |
Actions (login required)
View Item |