Rasio 3 tidak lagi lebih besar nilainya dari rasio 2 sehingga algoritma dihentikan Susanto; 2010 : 81-92.
2.8 Penelitian Terdahulu
Pada penulisan skripsi ini digunakan beberapa penelitian terdahulu yang berkaitan dengan skripsi ini:
Tabel 2.5.Penelitian Terdahulu No Pengarang
Judul Keterangan
1
Gerben W. Dekker, 2009
Predicting students drop out: a case study
Menyebutkan bahwa monitoring dan dukunganterhadap mahasiswa
di tahun pertama sangat penting dilakukan.
Mahasiswa jurusan
teknik elektro
Universitas Eindhovenyang
berhenti studi
pada tahun pertama mencapai hingga 40. Kurikulum yang sulit
dianggap sebagai
salah satu
penyebab tingginya
jumlah mahasiswa drop out. Selain itu,
nilai, prestasi, kepribadian, latar belakang sosial mempunyai peran
dalam kesuksesan
akademik mahasiswa. Dekker menggunakan
algoritma Decision tree, Bayesian
Universitas Sumatera Utara
classifiers, logistic models, rule-based learner dan random
forest. Dalam penelitian ini, dilakukan
analisis komparasi
empat algoritma klasifikasi data mining
yaitu logistic regression,decision tree, naïve bayes dan neural
network dengan
menggunakan 3681 data set mahasiswa yang
terdiri atas datademografi dan akademik
mahasiswa sehingga
dapat diketahui algoritma yang paling akurat untuk memprediksi
mahasiswa non-aktif.
2
Md. Hedayetul
Islam Shovon,
Mahfuza Haque, 2012
An Approach of Improving Student’s
Academic Performance by using K-means
clustering algorithm and Decision tree
Dalam penelitianini
mereka menggunakan proses data mining
dalam database
siswa menggunakan algoritma k-means
clustering dan
teknik pohon
keputusan untuk
memprediksi kegiatan belajar siswa.
Mereka
berharap bahwa informasi yang dihasilkan
setelah penerapan
teknik pertambangan
dan pengelompokan data data dapat
membantu untuk instruktur serta bagi siswa. Karya ini dapat
meningkatkan kinerja
siswa, mengurangi rasio gagal dengan
Universitas Sumatera Utara
mengambil langkah yang tepat pada waktu yang tepat untuk
meningkatkan kualitas pendidikan. Untuk pekerjaan di masa depan,
kami berharap dapat memperbaiki teknik kam
iuntuk mendapat
kanoutput lebih berharga dan akurat, berguna untuk instruktur
untuk meningkatkan hasil belajar siswa.
3
Bhise R.B., Thorat S.S.,
Supekar A.K., 2013
Importance of Data Mining in Higher
Education System Dalam studi ini mereka membuat
penggunaan proses data mining dalam
database siswa
menggunakan K-means algoritma untuk memprediksi hasil siswa.
Mereka berharap bahwa informasi yang
dihasilkan setelah
pelaksanaan data
Teknik pertambangan dapat membantu
untuk instruktur serta bagi siswa. Untuk pekerjaan di masa depan
mereka mendefinisikan
teknik mereka untuk mendapatkan output
yang lebih berharga dan akurat yang berguna instruktur untuk
meningkatkan hasil belajar siswa. Beberapa perangkat lunak yang
berbeda mungkin
akan memanfaatkan
sementara pada kadang-kadang berbagai faktor
Universitas Sumatera Utara
akan digunakan.
4 Eko
Nur Wahyudi,
Arief Jananto dan Narwati,
2011 Analisa Profil Data
Mahasiswa Baru terhadap Program Studi
yang dipilih di Perguruan Tinggi
Swasta Jawa Tengah dengan Menggunakan
Teknik Data Mining Berdasarkan analisa profil data
mahasiswa baru terhadap program studi yang dipilih di perguruan
tinggi swasta jawa tengah dengan menggunakan teknik data mining
maka dapat disimpulkan bahwa : 1. Data mining dengan teknik
klustering pada data mahasiswa baru pada PTS
di lingkungan Kopertis Wilayah VI Jawa Tengah
berdasarkan jumlah mahasiswa yang
melakukan registrasi menghasilkan informasi
mengenai kelompok bidang ilmu dan program
studi mulai dari jumlah yang paling banyak hingga
jumlah yang paling sedikit 2. Hasil
klastering menunjukkan
bahwa beberapa
bidang ilmu
mempunyai dominasi yang cukup
tinggi terhadap
minat masuk mahasiswa baru,
namun demikian
tidak semua program studi yang ada pada bidang ilmu
Universitas Sumatera Utara
yang dominan
meraih jumlah mahasiswa yang
banyak, hanya beberapa program studi saja yang
memiliki dominasi yang cukup tinggi sesuai hasil
klaster pada bidang ilmu 3. Trend minat mahasiswa
terhadap bidang
ilmu cukup signifikan terhadap
program studi
yang dipilihnya
5
Ahmad Yusuf, Hari Ginardi
dan Isye
Arieshanti, 2012
Pengembangan Perangkat Lunak
Prediktor Nilai Mahasiswa
Menggunakan Metode Spectral Clustering dan
Bagging Regresi Linier Berdasarkan hasil penelitian yang
telah dilakukan,terdapat beberapa kesimpulan yang dapat diambil,
yaitu: 1. Perangkat
lunak yang
dikembangkan dengan
algoritma Spectral
Clustering yang
mendukung algoritma
Bootstrap Aggregating
Regresi Linier
terbukti mampu
melakukan prediksi nilai mahasiswa.
Hal ini terlihat dari nilai kesalahan RMSE sekitar
0.05 – 0.08 dari dataset
yang digunakan. 2. Pada
uji coba
yang
Universitas Sumatera Utara
dilakukan, perangkat lunak yang
memanfaatkan algoritma
Spectral Clustering
yang mendukung
Bootstrap Aggregating Regresi Linier
memiliki performa yang lebih
baik jika
dibandingkan dengan
perangkat lunak
yang menggunakan algoritma K-
Means Clustering. 3. Parameter jumlah cluster
yang tidak tepat dapat menyebabkan
kesalahan hasil prediksi yang cukup
tinggi. 4. Dari
uji coba
yang dilakukan, jumlah atribut
prediktor yang
lebih banyak dapat
menghasilkan hasil prediksi menjadi lebih
baik.
2.9 Visual Basic.Net