Application Of Adaboost Algorithm To The Decision Tree Method In Student Graduation Classification:Case Study: Statistics Study Program, University Of Tanjungpura

Crismayella, Yuveinsiana (2023) Application Of Adaboost Algorithm To The Decision Tree Method In Student Graduation Classification:Case Study: Statistics Study Program, University Of Tanjungpura. Skripsi thesis, Universitas Tanjungpura.

	Text (Cover) Cover_H1091191022.pdf - Published Version Download (218kB)
	Text (Yuridis) Yuridis_H1091191022.pdf - Published Version Download (406kB)
	Text (Surat Pernyataan) SP_H1091191022.pdf - Published Version Download (109kB)
	Text (Abstrak) Abstrak_H1091191022.pdf - Published Version Download (477kB)
	Text (Daftar Isi) Dafis_H1091191022.pdf - Published Version Download (483kB)
	Text (Daftar Lain) Daflain_H1091191022.pdf - Published Version Download (366kB)
	Text (Bab I) Bab1_H1091191022.pdf - Published Version Download (592kB)
	Text (Bab II) Bab2_H1091191022.pdf - Published Version Download (372kB)
	Text (Bab III) Bab3_H1091191022.pdf - Accepted Version Restricted to Repository staff only Download (633kB)
	Text (Bab IV) Bab4_H1091191022.pdf - Accepted Version Restricted to Repository staff only Download (622kB)
	Text (Bab V) Bab5_H1091191022.pdf - Accepted Version Restricted to Repository staff only Download (201kB)
	Text (Daftar Pustaka) Dafpus_H1091191022.pdf - Published Version Download (324kB)
	Text (Lampiran) Lamp_H1091191022.pdf - Accepted Version Restricted to Repository staff only Download (734kB)
	Text (H1091191022_YUVEINSIANA CRISMAYELA) H1091191022_YUVEINSIANA CRISMAYELA.pdf - Accepted Version Restricted to Repository staff only Download (2MB)

Abstract

Perguruan tinggi merupakan penyelenggara pendidikan akademik bagi mahasiswa. Mahasiswa menjadi tolak ukur yang digunakan untuk menilai kualitas dan mengevaluasi rencana pembelajaran perguruan tinggi, sehingga tingkat kelulusan dan daya tampung menjadi bagian yang penting dalam penilaian kelulusan dan bahan pengambilan keputusan. Akan tetapi masih banyak mahasiswa Program Studi Statistika yang tidak lulus tepat waktu sehingga akan berpengaruh pada penilaian akreditasi. Oleh karena itu, karakteristik mahasiswa yang lulus tepat waktu maupun tidak tepat waktu dalam penentuan kelulusan mahasiswa dapat dianalisis menggunakan teknik klasifikasi dalam data mining yaitu Algoritma C5.0. Adapun tujuan penelitian ini adalah menerapkan Algoritma Adaboost pada Algoritma C5.0 dan menentukan akurasinya dalam klasifikasi kelulusan mahasiswa. Data yang digunakan dalam penelitian ini adalah data kelulusan mahasiswa Program Studi Statistika Universitas Tanjungpura Periode I Tahun Ajaran 2017/2018 sampai Periode II Tahun Ajaran 2022/2023. Status kelulusan mahasiswa adalah atribut dependen. Atribut independen yang digunakan adalah Jenis Kelamin ( , IPK semester 1 ( , IPK semester 2 ( , IPK semester 3 ( Sekolah , , IPK semester 4 ( Jalur Masuk , , Daerah Asal Domisili Beasiswa , , Akreditasi dan Status Kelulusan Tes TUTEP Pertama . Analisis dimulai dengan menghitung nilai entropy, gain dan gain ratio. Setelah itu masing-masing data diberikan bobot awal yang sama dan dilakukan iterasi sebanyak 100 kali. Berdasarkan hasil klasifikasi menggunakan Algoritma C5.0, variabel yang memiliki nilai gain ratio tertinggi adalah variabel Akreditasi Sekolah, artinya atribut Akreditasi Sekolah memiliki pengaruh paling besar dalam klasifikasi kelulusan mahasiswa. Adapun nilai akurasi menggunakan Algoritma C5.0 adalah sebesar 70%. Setelah dilakukan boosting menggunakan Algoritma Adaboost, akurasi meningkat menjadi 82,14%. Berdasarkan nilai akurasi yang diperoleh, dapat disimpulkan bahwa keakuratan Algoritma Adaboost tergolong bagus dalam meningkatkan akurasi Algoritma

Actions (login required)

View Item