mining khususnya klasifikasi untuk membantu dalam meningkatkan kualitas sistem pendidikan tinggi dengan mengevaluasi data siswa, mempelajari atribut utama yang
dapat mempengaruhi performance siswa dalam program pendidikan. Tiga metode klasifikasi algoritma yang berbeda diuji ID3, C 4.5 dan Naïve Bayes. Proses generasi
didasarkan pada decision tree sebagai metode klasifikasi dimana rule yang dihasilkan dipelajari dan dievaluasi. Rule dibangun yang memungkinkan siswa untuk
memprediksi nilai akhir dalam suatu program studi yang diteliti. Pengetahuan yang didapat digunakan untuk memberikaan pola pemahaman pendaftaran siswa diteliti,
tindakan untuk memberikan kelas keterampilan kursus dasar tambahan, konseling akademis.
Adeyemo dan Kuye 2006 menjelaskan dalam risetnya, menyajikan evaluasi faktor-faktor yang berkontribusi terhadap performance akademik siswa di perguruan
tinggi. Variable kualifikasi untuk masuk dan tipe penerimaan mahasiswa dan bagaimana faktor-faktor yang mempengaruhi performance akademik siswa. Evaluasi
dilakukan menggunakan perangkat lunak komputer yang mengimplementasikan algoritma decision tree.
2.8. Persamaan dengan riset-riset lain
Curtis et al 1983 dalam penelitiannya pelajar sekolah menengah yang drop out di sekolah adalah yang tidak mampu secara sosial dan ekonomi.
Gerben W. Dekker et all 2009 dalam penelitiannya melakukan prediksi
mahasiswa yang drop out dengan mengkalsifikasikan kelompok mahasiswa yang drop out setelah semester pertama mereka belajar atau memprediksi sebelum mereka
masuk ke program studi serta mengidentifikasi faktor-faktor sukses tertentu. Hasil penelitian Khoirunnisak dan Iriawan 2010 dalam penelitiannya
tingginya tingkat keberhasilan dan rendahnya tingkat kegagalan mahasiswa mencerminkan kualitas proses belajar mengajar dari suatu perguruan tinggi. Dan
membuktikan bahwa mahasiswa yang dropout dari ITS Surabaya dipengaruhi oleh faktor perbedaan usia, perbedaan asal daerah mahasiswa, perbedaan penghasilan
orang tua, perbedaan fakultas mahasiswa, perbedaan jalur masuk, serta perbedaan nilai IPK dan nilai TPB. menggunakan pendekatan Bayesian mixture survival melalui
model mixture weibull proportional hazards.
Universitas Sumatera Utara
Jadric, et all 2010 dalam penelitiannya data diproses dengan aplikasi metode data mining, regressi logistic, pohon keputusan dan neural network. Model dibangun
menggunakan metodologi SEMMA yang dibandingkan dengan memilih salah satu prediksi terbaik mahasiswa drop out .
2.9 Perbedaan dengan Riset-Riset lain
Dari beberapa riset yang dilakukan peneliti sebelumnya, terdapat beberapa titik perbedaan dengan riset yang akan dilakukan ini:
1. Analisis mahasiswa yang mengundurkan diripindah, risetnya dilakukan di Sekolah Tinggi Manajemen Informatika dan Komputer STMIK Mikroskil
Medan. Yang akan dilakukan penulis adalah mendapatkan model aturan rule penyebab mahasiswa pindahmengundurkan diri dari sekumpulan data set historis
sehingga didapatkan klasifikasi keterhubungan dalam bentuk decision tree. variabel datanya diolah dari data kuesioner mahasiswa STMIK Mikroskil Medan
seperti fasilitas belajar mahasiswa, lingkungan belajar, interest, disiplin, peraturan akademik, dukungan orang tua, ekonomi orang tua, biodata mahasiswa dan data
akademik mahasiswa. Kuesioner dilakukan sebagai alat penting dalam mendapatkan sejumlah
perwakilan orang untuk menjawab pertanyaan dan membuat penilaian dari apa yang kebanyakan orang pikirkan. Informasi yang diperoleh dari kuesioner dapat
digunakan untuk tren dan perubahan plot pada persepsi publik. 2. Predikat mahasiswa beresiko
Pada riset ini, hasil akhir yang diharapkan pihak manajamen dan program studi mendapatkan model rule penyebab mahasiswa perguruan tinggi mengundurkan
diripindah.
2.10 Kontribusi Riset
