Publication Repository 7. reddy
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
ANALISA PERBANDINGAN TEKNIK-TEKNIK DATA MINING UNTUK
PREDIKSI PRESTASI AKADEMIK SISWA
Imam Syaifuddin(1), Reddy Alexandro Harianto(2)
Sekolah Tinggi Teknik Surabaya
e-mail: drimamskom@hotmail.com(1), reddy@stts.edu(2)
ABSTRAK
Kemampuan untuk memprediksi kinerja akademik siswa sangat penting dalam sistem pendidikan. Banyak
penelitian yang dilakukan untuk memprediksi prestasi akademik, penelitian ini menelaah beberapa kajian
tentang pemanfaatan data mining untuk memprediksi prestasi akademik siswa. Berbagai metode dan
algoritma data mining digunakan dalam memprediksi prestasi akademik, pada penelitian ini dilakukan
perbandingan dua model prediksi prestasi akademik siswa yaitu penggunaan Algoritma Decision Tree dan
Bayesian Network. Hasil dari metode yang di teliti mempunyai akurasi yang hampir sama, Algoritma
Decision Tree rata-rata akurasi mencapai 97,5669% sedangkan Bayesian Network rata-rata akurasinya
94,8199%. Hasil dari penelitian ini sangat membantu bagi lembaga pendidikan untuk memantau secara dini
prestasi akademik siswa, sehingga bisa dilakukan pendampingan proses belajar agar dapat tercapai prestasi
yang diharapkan.
Kata kunci: Data Mining, Decison Tree, Multi Layer Perceptron, Prestasi akademik
ABSTRACT
The ability to predict the academic aptitude of students is very important in an education system. Many
researches have been done to predict academic achievement, this research involves a few prior studies in
the usage of data mining to predict students' academic achievements. There are many methods and
algorithms in data mining that can be used to predict academic achievement, in this research a comparison
will be done between two student academic achievement prediction models, the Decision Tree Algorithm
and Bayesian Network. Results from the chosen methods have similar accuracy rates, with the Decision
Tree Algorithm achieving an average of 97.5669% accuracy, whereas the Bayesian Network reaches an
average accuracy of 94.8199%. The result of this research is useful for educational institutes to observe
students' academic achievement from early on, so assistance in the learning process can be given in order
to reach the expected achievement.
Keywords: Data Mining, Decison Tree, Multi Layer Perceptron, Academic Performance.
PENDAHULUAN
Pendidikan adalah pembelajaran pengetahuan,
keterampilan, dan kebiasaan sekelompok orang
yang diturunkan dari satu generasi ke generasi
berikutnya melalui pengajaran, pelatihan, atau
penelitian [1]. Dalam sebuah proses pendidikan
terdapat suatu sistem yang menunjang terhadap
siklus pendidikan, sistem tersebut saling menunjang
sehingga menghasilkan output yang diharapkan.
Kegagalan salah satu sistem akan mengakibatkan
output yang tidak diharapkan. Banyak upaya
preventif yang dilakukan oleh lembaga pendidikan
agar sistem berfungsi sebagaimana mestinya agar
menghasilkan output yang maksimal.
Salah satu yang dapat digunakan untuk memantau
proses kegiatan pembelajaran adalah dengan data
mining. Data Mining adalah suatu istilah yang
digunakan untuk menemukan pengetahuan yang
tersembunyi di dalam database. Data mining
merupakan
proses
semi
otomatik
yang
menggunakan teknik statistik, matematika,
kecerdasan buatan dan mechine learning untuk
mengekstraksi dan mengidentifikasi informasi
pengetahuan potensial dan berguna yang
bermanfaat yang tersimpan di dalam database besar.
Berbagai metode data mining dalam melakukan
analisa dan prediksi prestasi akademik, baik
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
45
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
menggunakan
algoritma
tunggal
maupun
penggabungan beberapa algoritma dengan tujuan
mendapatkan hasil yang lebih baik. Diantaranya
adalah:
Kajian yang dilakukan Behrouz Minaei Bidgoli dkk
terhadap sistem pendidikan berbasis web untuk
memprediksi prestasi akademik, yang mana semua
siswa berinteraksi dengan sistem tersebut, mereka
merancang,
mengimplementasikan
dan
mengevaluasi
serangkaian
pola
lalu
membandingkan kinerja siswa. Selanjutnya dengan
belajar suatu bobot yang sesuai dengan fitur yang
digunakan pada algoritma genetika proses prediksi
selanjutnya dilakukan.
Selanjutnya kajian dengan topik yang sama juga
dilakukan V. Ramesh, dkk dalam memprediksi
prestasi akademik siswa pada lembaga pendidikan
yang mana faktor personal, sosial-ekonomi,
psikologi dan variabel lingkungan dikaji, mereka
menggunakan klasifikasi, pohon keputusan dan
Naive Bayes dengan metode multi layer perception.
Penelitian ini dilakukan pada sekolah yang
menerapkan sistem pendidikan berbasis teknologi
informasi yang memanfaatkan berbagai sarana
pendidikan berbasis sistem yang terdiri atas sistem
kehadiran yang mewajibkan semua siswa
melaksanakan absensi fingerprint, sistem penilaian
dan sistem konseling yang terintegrasi untuk
memprediksi prestasi akademik. Semua siswa
berinteraksi dengan sistem tersebut, sehingga data
yang dihasilkan oleh sistem yang digunakan dapat
digunakan untuk diteliti dan dievaluasi untuk
membentuk serangkaian pola sehingga dapat
memprediksi kinerja siswa. Selanjutnya dengan
belajar suatu bobot yang sesuai dengan fitur yang
digunakan pada algoritma genetika proses prediksi
selanjutnya dilakukan.
Penelitian
ini
sangat
berguna
untuk
mengidentifikasi prestasi siswa lebih dini, sehingga
dapat di pantau untuk segera diberikan tindakan
pada siswa agar mendapatkan prestasi yang optimal.
Tujuan utama dari penelitian ini adalah:
Mengidentifikasi variabel sekunder yang dapat
mempengaruhi prestasi akademik siswa
Memprediksi nilai akademik siswa berdasarkan
aktivitas melakukan absensi melalui fingerprint
Memprediksi perilaku dan akhlak siswa agar
dilakukan penganan lebih dini
46
Mengidentifikasi kelompok siswa terhadap
variabel yang di berikan sebagai tolak ukur
penelitian.
Mengelompokkan problem yang dihadapi siswa
sehingga dapat diberikan prioritas penanganan
Mencari algoritma terbaik yang bisa digunakan
untuk melakukan Identifikasi terhadap prestasi
akademik siswa.
Pada bagian berikut kita akan menggambarkan
metodologi keseluruhan penelitian, platform datamining, model dan akan membandingkan tiap
algoritma yang digunakan serta hasil akhir dari
algoritma dalam memprediksi prestasi akademik
siswa.
METODOLOGI
Pada bagian ini membahas proses yang dilakukan
dalam melakukan penelitian terhadap prediksi
prestasi akademik siswa, bagaimana tahapan
masing-masing peneliti dalam mengumpulkan data
dan menganalisanya.
Dalam literatur data mining, berbagai kerangka
umum telah dikenalkan bagaimana tata laksana
pengumpulan
data,
menganalisa
data,
menyebarluaskan hasil, menerapkan hasil dan
pemantauan perbaikan.
Salah satu model adalah CRISP-DM (Proses CrossIndustry Standard untuk data mining) diusulkan
pada pertengahan 1990-an oleh konsorsium Eropa
Metodologi CRISP-DM terutama terdiri dari enam
langkah: memahami tujuan, mengumpulkan data,
menyiapkan
data,
membangun
model,
mengevaluasi model menggunakan salah satu
metode evaluasi, dan akhirnya penyebaran yang
menggunakan model untuk prediksi masa depan
dari kinerja siswa.
Sebelum pengumpulan data, pertama-tama tentukan
perangkat yang digunakan dalam memproses dan
menganalisa data mining, banyak sekali perangkat
yang ditawarkan dalam pengelolaan data-mining,
baik yang berbayar maupun yang open source, dari
30 daftar perangkat data-mining, kita menyeleksi 10
perangkat yang dapat digunakan untuk menganalisa
dan memproses data dengan kapasitas yang besar,
kemudian dari 10 perangkat kita seleksi menjadi 3
tool yaitu: weka, orange dan yale, dari 3 perangkat,
weka sangat baik dalam proses data mining dengan
data yang sangat besar.
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
1. Persiapan Data
Data adalah salah satu bagian penting dari
penelitian, ada beberapa langkah yang perlu
diperhatikan dalam pengumpulan data, antara lain:
Mengidentifikasi variabel-variabel yang diteliti
Menjabarkan variabel-variabel dalam beberapa
dimensi
Mencari indikator-indikator setiap dimensi
Mendeskripsikan kisi-kisi instrumen
Merumuskan item-item pertanyaan atau
pernyataan instrumen.
Selama pengumpulan data, data yang relevan
dikumpulkan dan kualitas data harus diverifikasi.
Biasanya, data yang dikumpulkan tidak lengkap,
mengandung kesalahan dan tidak konsisten. Oleh
karena itu data harus dibersihkan agar hasil yang
didapatkan dalam proses data mining lebih akurat.
Pembersihan data melibatkan beberapa proses
seperti mengisi nilai-nilai yang hilang; smoothing
data, mengidentifikasi atau menghapus outlier, dan
menyelesaikan inkonsistensi.
Kemudian, data
dibersihkan diubah menjadi bentuk tabel yang
cocok untuk model data mining. Data yang
dibersihkan akan dibagi menjadi dua; pelatihan atau
data pembelajaran (60%) dan sisanya adalah untuk
memvalidasi data. Pelatihan data ini diterapkan
untuk mengembangkan model sedangkan data
divalidasi digunakan untuk memverifikasi model
yang dipilih.
Pengumpulan data yang berpengaruh pada prestasi
akademik siswa diidentifikasi, sejumlah faktor yang
dianggap memiliki pengaruh dikategorikan sebagai
variabel input sedangkan Variabel output pada sisi
lain mewakili beberapa nilai, Data primer
dikumpulkan dari siswa dan data sekunder
dikumpulkan dari sekolah.
Data primer dikumpulkan melalui kuesioner yang
dibagikan kepada siswa secara acak, pertanyaan
yang dihimpun melalui kuesioner berisi tentang
aspek personal, sosial-ekonomi dan psikologi
responden yang berhubungan erat dengan aspekaspek untuk prestasi akademik siswa.
Persiapan data akademik dilakukan dengan
menganalisis dan menyiapkan data historis
penilaian tiap mata pelajaran dari catatan akademis
pada sekolah yang dikumpulkan pada periode
semester ganjil 2015/2016, berdasarkan model
penilaian kurikulum 2013 yang diklasifikasikan
dalam 10 kelompok, rentang nilai yang diberikan
tiap mata pelajaran seperti pada Tabel 1.
Tabel 1: Tabel Skala Penilaian berdasarkan
Kurikulum 2013
No. SKOR
NILAI
1
0.00
skor
1,00
D
2
1,00
skor ≤ 1,33
D+
3
1,33
skor ≤ 1,66
C4
1,66
skor ≤ 2,00
C
5
2,00
skor ≤ 2,33
C+
6
2,33
skor ≤ 2,66
B7
2,66
skor ≤ 3,00
B
8
3,00
skor ≤ 3,33
B+
9
3,33
skor ≤ 3,66
A10
3,66
skor ≤ 4,00
A
Hasil pengelompokan untuk persiapan data seperti
pada Gambar 1, data yang diperoleh pada grafik
adalah hasil distribusi nilai pada persiapan data,
yang proses pengelompokan nilai berdasarkan
Tabel 1.
Distribusi Nilai
44
50
43
40
30
20
10
0
21
11
9
A
A-
B+
B
B-
7
8
C+
C
4
1
2
C-
D+
D
Gambar 1: Distribusi Nilai yang dikumpulkan dari
sekolah
Selain data nilai akademik data yang digunakan
dalam penelitian ini adalah data absensi siswa. Data
absensi siswa digunakan
sebagai variabel
pendukung yang berhubungan dengan prestasi
akademik siswa. Sistem kehadiran pada sekolah ini
menggunakan fingerprint yang direkam setiap hari
oleh sekolah, pre processing data dilakukan untuk
menghasilkan data prosentase kehadiran tiap bulan,
berdasarkan Persamaan 1.
=
∑
(1)
Selanjutnya data prosentase tiap bulan jumlah kan
berdasarkan Persamaan 2.
=
∑
(2)
Kemudian data prosentase tiap semester dikonversi
menjadi {A, B, C, D, E}, dengan rentang data
prosentase untuk A: 85-100, B: 75-84, C:55-74, D:
35-54 dan E:0-34.
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
47
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
Data Primer yang diperoleh dari siswa melalui
kuesioner, digunakan sebagai variabel prediksi
disajikan dalam Tabel 2.
Tabel 2: Variabel dan Domain yang digunakan
No
Variabel
1
Jarak
2
kendaraan
3
frekwensiblj
4
lamablj
5
lingkunganblj
6
7
organisasi
hambatan
8
hubdgguru
9
pd
10
pendidikan
11
saudara
12
penghasilan
13
problem
14
absensi
15
nilai
Keterangan
Jarak rumah
siswa dari
sekolah
sarana yang
digunakan
siswa untuk
mencapai
sekolah
frekwensi
belajar siswa
di rumah
setiap hari
lama belajar
setiap hari
siswa di
rumah
suasana
lingkungan
belajar siswa
organisasi
yang diikuti
siswa di
sekolah
hambatan
yang dihadapi
siswa
disekolah
hubungan
antara siswa
dan guru
pengembanga
n diri yang
dikuti siswa
di sekolah
pendidikan
orang tua
saudara yang
dimiliki siswa
penghasilan
orang tua
siswa tiap
bulan
problem
keluarga yang
di hadapi
siswa
presensi
kehadiran
dengan media
fingerprint
nilai akhir
siswa
Domain
{0-5KM, 5-10KM, 1015KM,15-20KM}
{JALAN KAKI,
ANGKUTAN UMUM,
SEPEDA MOTOR,
MOBIL PRIBADI}
{TIDAK PERNAH,
KADANGKADANG,CUKUP,SERI
NG}
{0-1JAM, 1-2JAM, 23JAM, >3JAM}
{MENDUKUNG,
BIASA SAJA,
MENDUKUNG}
{TIDAK
AKTIF,KADANGKADANG,AKTIF}
Tabel 3: Rangking Atribut yang bisa digunakan
berdasarkan Information Gain
Rangking
Variabel
1
frekwensiblj
jarak
penghasilan
lamablj
pendidikan
lingkunganblj
saudara
organisasi
absensi
problem
hubdgguru
hambatan
kendaraan
Pd
2
3
4
5
6
7
8
9
10
{ADA, KADANGKADANG, TIDAK
ADA}
11
{KURANG BAIK,
BIASA SAJA, SANGAT
BAIK}
13
{TIDAK AKTIF,
KADANG-KADANG,
KURANG AKTIF}
{SD, SMP, SMA,
UNIVERSITAS}
{0-2, 3-4, >5}
{5
Jt}
{ADA, TIDAK ADA}
{A, B, C, D, E}
{A, A-, B+, B, B-, C+, C,
C-, D+, D}
Selanjutnya dari pengelompokan data tersebut
dipilihlah atribut utama yang relevan sebagai
variabel
yang
merepresentasikan
dan
mempengaruhi prestasi akademik siswa. Tabel 3
menunjukkan ringkasan dari atribut utama,
pengelompokan data dan “Information Gain” setiap
atribut untuk prediksi prestasi akademik siswa.
Nilai “Information Gain” didapatkan dari nilai
48
entropy yang dihasilkan dari sampel yang telah di
splitting menggunakan nilai pada atribut kelompok
sampel tersebut. Langkah ini menggunakan induksi
Decision Tree dan berguna untuk mengidentifikasi
atribut-atribut yang memiliki pengaruh terbesar
pada klasifikasi.
12
14
Information
Gain
0.6655
0.1965
0.1654
0.1593
0.1187
0.0907
0.0777
0.071
0.0693
0.0608
0.0583
0.0555
0.0399
0.0373
Proses pengelompokan untuk menentukan
“Information Gain” menggunakan “atribute
evaluator”, untuk memulai pemilihan atribut maka
dua objek harus di set up, yaitu: “atribute
evaluator” dan “metode pencarian”. Evaluator
digunakan untuk menentukan atribut apa yang layak
digunakan. Metode pencarian digunakan untuk
menentukan teknik pencarian yang terbaik, dari 15
atribut 14 atribut yang dapat digunakan pada
penelitian ini.
2. Pemodelan Prediksi Prestasi Akademik
Seperti disebutkan sebelumnya, banyak sekali
teknik yang digunakan para peneliti dalam
memprediksi prestasi akademik siswa, pada bagian
ini akan dijelaskan lebih detail teknik yang
digunakan setelah persiapan data dilakukan. Teknik
yang digunakan pada penelitian ini adalah
menggunakan
beberapa
model
kemudian
membandingkan tiap-tiap teknik dan model yang
mempunyai akurasi terbaik.
Bayesian Network merupakan salah satu teknik
yang populer yang digunakan untuk prediksi suatu
permasalahan karena dibangun berdasarkan teori
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
probabilistik dan teori graf, teori probabilistik
berhubungan langsung dengan data sedangkan teori
graf berhubungan langsung dengan bentuk
representasi yang ingin didapatkan dalam
melakukan prediksi (Heckerman, 1995).
Selain Bayesian Network, Teknik Decision Tree
digunakan dalam penelitian ini, Decision Tree
adalah pemetaan mengenai alternatif-alternatif
pemecahan masalah yang dapat diambil dari
masalah tersebut. Decision tree memperlihatkan
faktor-faktor probabilitas yang akan mempengaruhi
alternatif-alternatif keputusan tersebut.
Penelitian ini akan memodelkan prediksi prestasi
akademik siswa dengan tiga model, model pertama
berdasarkan data sebenarnya pada variabel nilai
yaitu konversi nilai berupa {A, A-, B+, B, B-, C+,
C, C-, D+, D}, model kedua dengan prediksi nilai
berdasarkan {BAIK, GAGAL} dan model ketiga
berdasarkan {BAIK, PERINGATAN,GAGAL}.
Dengan menggunakan model tersebut atribut input
di perbaiki dengan mengelompokkan rentang nilai
pada klasifikasi baru untuk mengevaluasi akurasi
perubahan prediksi. Hasil tuning terhadap rentang
nilai dengan model algoritma Decision Tree dan
Bayesian Network didapatkan perbedaan hasil
prediksi, seperti yang terpapar pada Tabel 4
ANALISA DAN HASIL
Ringkasan hasil prediksi menggunakan algoritma
Decision Tree dan Bayesian Network terlihat pada
Tabel 4. Hasil penelitian juga menunjukkan
algoritma Bayesian Network rata-rata hasil prediksi
dengan tepat mengungguli algoritma Decision
Tree.
Hasil training pada teknik Decision Tree terdapat
UnClassified Instances pada tiap-tiap model.
Model pertama sebanyak 12,4088 % data yang tidak
dapat diprediksi, sedangkan model kedua 0,7299%
dan model ketiga 2,1898%, sedangkan untuk teknik
yang menggunakan Bayesian Network mampu
memprediksi semua data training yang di berikan.
Perbandingan hasil data training pada masingmasing model berbeda akurasinya, model pertama
akurasinya sangat rendah dibandingkan dengan
model kedua dan ketiga. Akurasi model pertama
{A, A-, B+, B, B-, C+, C, C-, D+, D}, hanya mampu
memprediksi benar 38,6861% dengan teknik
Decision Tree dan 42,3358% dengan menggunakan
Bayesian Network dibandingkan dengan model
kedua {BAIK, GAGAL} dan model ketiga {BAIK,
PERINGATAN, GAGAL} yang mencapai 90%
Tabel 4: Perbandingan Hasil TrainingDecision Tree
dan Bayesian Network dengan Data Asli
Prediksi Nilai
Akhir
{A, A-, B+, B, B-,
C+, C, C-, D+, D}
{BAIK, GAGAL}
{BAIK,
PERINGATAN,
GAGAL}
Rata-Rata
Teknik
Hasil Data Asli
Correctly
Incorrectly
DT
38,6861%
48,9051%
BN
42,3358%
57,6642%
DT
97,0803%
2,1898%
BN
DT
97,0803%
2,9197%
92,7007%
5,1095%
BN
94,1606%
5,8394%
DT
76,1557%
18,7348%
BN
77,8589%
22,1411%
Setelah
pemeriksaan
hasil
lebih
detail
menggunakan confusion matrix di temukan ada
ketidakseimbangan yang besar dalam distribusi
output tiap kelompok dan akurasi kelompok yang
lebih kecil jauh lebih rendah dibandingkan akurasi
kelompok yang lebih besar, terutama pada model
pertama.
Untuk mengatasi masalah ini, maka dilakukan resample data menggunakan fasilitas yang ada pada
weka, untuk membuat data lebih seimbang
distribusinya. Prediksi menggunakan data resample jauh lebih akurat hasil nya yang ditunjukkan
pada Tabel 5.
Tabel 5: Perbandingan Hasil TrainingDecision Tree
dan Bayesian Network dengan Data Re-Sample
Prediksi Nilai
Akhir
{A, A-, B+, B,
B-, C+, C, C-,
D+, D}
{BAIK,
GAGAL}
{BAIK,
PERINGATAN,
GAGAL}
Rata-Rata
Teknik
Hasil Data Re-Sample
DT
Correctly
98,5401%
Incorrectly
1,4599%
BN
91,7591 %
8,7591%
DT
99,2701%
0,7299%
BN
DT
99,2701%
94,8905%
0,7299%
5,1095%
BN
93,4307%
6,5693%
DT
97,5669%
2,4331%
BN
94,8199%
5,3527%
Hasil menggunakan data re-sample menunjukkan
teknik Decision Tree lebih unggul dengan rata-rata
97,5669% dari pada Bayesian Network yang hanya
mencapai akurasi 94,8199%, juga tidak ada
UnClassified Instances pada tiap-tiap model pada
Teknik Decision Tree, sehingga semua instance
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
49
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
dapat diprediksi dengan baik. Rata-rata kemampuan
prediksi yang dihasilkan pada masing-masing
teknik meningkat lebih akurat dan merata pada tiaptiap model yang diteliti.
Re-sample yang dilakukan pada data asli
memberikan dampak yang signifikan terhadap pola
distribusi data, sehingga membuat algoritma
prediksi yang digunakan bekerja dengan optimal
dengan data dan variabel yang di buat pada masingmasing metode yang diteliti.
System, International Journal on Computer
Science and Engineering November.
4. V.Ramesh, P.Parkav and K.Ramar. 2013.
Predicting Student Performance: A Statistical
and Data Mining Approach, International
Journal of Computer Applications, Volume 63–
No.8.
5. Prabowo Pudjo Widodo, dkk. 2013. Penerapan
Data Mining dengan MATLAB, Rekayasa
Sains, Cetakan Pertama.
KESIMPULAN
1. Secara umum akurasi hasil prediksi yang
dilakukan menggunakan teknik Algoritma
Decision tree dan Bayesian Network tidak
berbeda nyata untuk ketiga model yang diteliti,
kedua teknik mencapai akurasi rata-rata
mencapai 90%, tetapi bila ditinjau lebih detail
maka Algoritma Decision Tree lebih unggul
dibandingkan Algoritma Bayesian Network.
Sehingga kedua teknik Algoritma bisa
direkomendasikan untuk digunakan pada kasuskasus prediksi.
2. Hasil pengujian dari variabel input dengan
menggunakan information gain, didapatkan
bahwa frekuensi belajar mempunyai peranan
yang sangat penting dalam memprediksi prestasi
belajar siswa, dibandingkan dengan variabelvariabel lain.
3. Dari penelitian ini dapat disimpulkan bahwa data
mining untuk prediksi akademik siswa dapat
berguna dalam banyak konteks, untuk
penerimaan siswa, dapat mengidentifikasi siswa
yang layak mendapat beasiswa dan memprediksi
siswa akan lulus atau tidak pada akhir studi
sehingga dapat dipantau lebih dini untuk
dilakukan perhatian yang lebih maksimal agar
tidak terjadi kegagalan.
DAFTAR PUSTAKA
1. Muslihah Wook. 2009. Predicting NDUM
Student’s Academic Performance Using Data
Mining Techniques. International Conference on
Computer and Electrical Engineering.
2. Nguyen Thai-Nghe, Paul Janecek, and Peter
Haddawy. 2007. A Comparative Analysis of
Techniques
for
Predicting
Academic
Performance. IEEE.
3. Behrouz Minaei-Bidgoli, Deborah A. Kashy,
Gerd Kortemeyer'. 2003. Predicting Student
Performance: an Application of Data Mining
Methods With an Educational Web-Based
50
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
ANALISA PERBANDINGAN TEKNIK-TEKNIK DATA MINING UNTUK
PREDIKSI PRESTASI AKADEMIK SISWA
Imam Syaifuddin(1), Reddy Alexandro Harianto(2)
Sekolah Tinggi Teknik Surabaya
e-mail: drimamskom@hotmail.com(1), reddy@stts.edu(2)
ABSTRAK
Kemampuan untuk memprediksi kinerja akademik siswa sangat penting dalam sistem pendidikan. Banyak
penelitian yang dilakukan untuk memprediksi prestasi akademik, penelitian ini menelaah beberapa kajian
tentang pemanfaatan data mining untuk memprediksi prestasi akademik siswa. Berbagai metode dan
algoritma data mining digunakan dalam memprediksi prestasi akademik, pada penelitian ini dilakukan
perbandingan dua model prediksi prestasi akademik siswa yaitu penggunaan Algoritma Decision Tree dan
Bayesian Network. Hasil dari metode yang di teliti mempunyai akurasi yang hampir sama, Algoritma
Decision Tree rata-rata akurasi mencapai 97,5669% sedangkan Bayesian Network rata-rata akurasinya
94,8199%. Hasil dari penelitian ini sangat membantu bagi lembaga pendidikan untuk memantau secara dini
prestasi akademik siswa, sehingga bisa dilakukan pendampingan proses belajar agar dapat tercapai prestasi
yang diharapkan.
Kata kunci: Data Mining, Decison Tree, Multi Layer Perceptron, Prestasi akademik
ABSTRACT
The ability to predict the academic aptitude of students is very important in an education system. Many
researches have been done to predict academic achievement, this research involves a few prior studies in
the usage of data mining to predict students' academic achievements. There are many methods and
algorithms in data mining that can be used to predict academic achievement, in this research a comparison
will be done between two student academic achievement prediction models, the Decision Tree Algorithm
and Bayesian Network. Results from the chosen methods have similar accuracy rates, with the Decision
Tree Algorithm achieving an average of 97.5669% accuracy, whereas the Bayesian Network reaches an
average accuracy of 94.8199%. The result of this research is useful for educational institutes to observe
students' academic achievement from early on, so assistance in the learning process can be given in order
to reach the expected achievement.
Keywords: Data Mining, Decison Tree, Multi Layer Perceptron, Academic Performance.
PENDAHULUAN
Pendidikan adalah pembelajaran pengetahuan,
keterampilan, dan kebiasaan sekelompok orang
yang diturunkan dari satu generasi ke generasi
berikutnya melalui pengajaran, pelatihan, atau
penelitian [1]. Dalam sebuah proses pendidikan
terdapat suatu sistem yang menunjang terhadap
siklus pendidikan, sistem tersebut saling menunjang
sehingga menghasilkan output yang diharapkan.
Kegagalan salah satu sistem akan mengakibatkan
output yang tidak diharapkan. Banyak upaya
preventif yang dilakukan oleh lembaga pendidikan
agar sistem berfungsi sebagaimana mestinya agar
menghasilkan output yang maksimal.
Salah satu yang dapat digunakan untuk memantau
proses kegiatan pembelajaran adalah dengan data
mining. Data Mining adalah suatu istilah yang
digunakan untuk menemukan pengetahuan yang
tersembunyi di dalam database. Data mining
merupakan
proses
semi
otomatik
yang
menggunakan teknik statistik, matematika,
kecerdasan buatan dan mechine learning untuk
mengekstraksi dan mengidentifikasi informasi
pengetahuan potensial dan berguna yang
bermanfaat yang tersimpan di dalam database besar.
Berbagai metode data mining dalam melakukan
analisa dan prediksi prestasi akademik, baik
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
45
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
menggunakan
algoritma
tunggal
maupun
penggabungan beberapa algoritma dengan tujuan
mendapatkan hasil yang lebih baik. Diantaranya
adalah:
Kajian yang dilakukan Behrouz Minaei Bidgoli dkk
terhadap sistem pendidikan berbasis web untuk
memprediksi prestasi akademik, yang mana semua
siswa berinteraksi dengan sistem tersebut, mereka
merancang,
mengimplementasikan
dan
mengevaluasi
serangkaian
pola
lalu
membandingkan kinerja siswa. Selanjutnya dengan
belajar suatu bobot yang sesuai dengan fitur yang
digunakan pada algoritma genetika proses prediksi
selanjutnya dilakukan.
Selanjutnya kajian dengan topik yang sama juga
dilakukan V. Ramesh, dkk dalam memprediksi
prestasi akademik siswa pada lembaga pendidikan
yang mana faktor personal, sosial-ekonomi,
psikologi dan variabel lingkungan dikaji, mereka
menggunakan klasifikasi, pohon keputusan dan
Naive Bayes dengan metode multi layer perception.
Penelitian ini dilakukan pada sekolah yang
menerapkan sistem pendidikan berbasis teknologi
informasi yang memanfaatkan berbagai sarana
pendidikan berbasis sistem yang terdiri atas sistem
kehadiran yang mewajibkan semua siswa
melaksanakan absensi fingerprint, sistem penilaian
dan sistem konseling yang terintegrasi untuk
memprediksi prestasi akademik. Semua siswa
berinteraksi dengan sistem tersebut, sehingga data
yang dihasilkan oleh sistem yang digunakan dapat
digunakan untuk diteliti dan dievaluasi untuk
membentuk serangkaian pola sehingga dapat
memprediksi kinerja siswa. Selanjutnya dengan
belajar suatu bobot yang sesuai dengan fitur yang
digunakan pada algoritma genetika proses prediksi
selanjutnya dilakukan.
Penelitian
ini
sangat
berguna
untuk
mengidentifikasi prestasi siswa lebih dini, sehingga
dapat di pantau untuk segera diberikan tindakan
pada siswa agar mendapatkan prestasi yang optimal.
Tujuan utama dari penelitian ini adalah:
Mengidentifikasi variabel sekunder yang dapat
mempengaruhi prestasi akademik siswa
Memprediksi nilai akademik siswa berdasarkan
aktivitas melakukan absensi melalui fingerprint
Memprediksi perilaku dan akhlak siswa agar
dilakukan penganan lebih dini
46
Mengidentifikasi kelompok siswa terhadap
variabel yang di berikan sebagai tolak ukur
penelitian.
Mengelompokkan problem yang dihadapi siswa
sehingga dapat diberikan prioritas penanganan
Mencari algoritma terbaik yang bisa digunakan
untuk melakukan Identifikasi terhadap prestasi
akademik siswa.
Pada bagian berikut kita akan menggambarkan
metodologi keseluruhan penelitian, platform datamining, model dan akan membandingkan tiap
algoritma yang digunakan serta hasil akhir dari
algoritma dalam memprediksi prestasi akademik
siswa.
METODOLOGI
Pada bagian ini membahas proses yang dilakukan
dalam melakukan penelitian terhadap prediksi
prestasi akademik siswa, bagaimana tahapan
masing-masing peneliti dalam mengumpulkan data
dan menganalisanya.
Dalam literatur data mining, berbagai kerangka
umum telah dikenalkan bagaimana tata laksana
pengumpulan
data,
menganalisa
data,
menyebarluaskan hasil, menerapkan hasil dan
pemantauan perbaikan.
Salah satu model adalah CRISP-DM (Proses CrossIndustry Standard untuk data mining) diusulkan
pada pertengahan 1990-an oleh konsorsium Eropa
Metodologi CRISP-DM terutama terdiri dari enam
langkah: memahami tujuan, mengumpulkan data,
menyiapkan
data,
membangun
model,
mengevaluasi model menggunakan salah satu
metode evaluasi, dan akhirnya penyebaran yang
menggunakan model untuk prediksi masa depan
dari kinerja siswa.
Sebelum pengumpulan data, pertama-tama tentukan
perangkat yang digunakan dalam memproses dan
menganalisa data mining, banyak sekali perangkat
yang ditawarkan dalam pengelolaan data-mining,
baik yang berbayar maupun yang open source, dari
30 daftar perangkat data-mining, kita menyeleksi 10
perangkat yang dapat digunakan untuk menganalisa
dan memproses data dengan kapasitas yang besar,
kemudian dari 10 perangkat kita seleksi menjadi 3
tool yaitu: weka, orange dan yale, dari 3 perangkat,
weka sangat baik dalam proses data mining dengan
data yang sangat besar.
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
1. Persiapan Data
Data adalah salah satu bagian penting dari
penelitian, ada beberapa langkah yang perlu
diperhatikan dalam pengumpulan data, antara lain:
Mengidentifikasi variabel-variabel yang diteliti
Menjabarkan variabel-variabel dalam beberapa
dimensi
Mencari indikator-indikator setiap dimensi
Mendeskripsikan kisi-kisi instrumen
Merumuskan item-item pertanyaan atau
pernyataan instrumen.
Selama pengumpulan data, data yang relevan
dikumpulkan dan kualitas data harus diverifikasi.
Biasanya, data yang dikumpulkan tidak lengkap,
mengandung kesalahan dan tidak konsisten. Oleh
karena itu data harus dibersihkan agar hasil yang
didapatkan dalam proses data mining lebih akurat.
Pembersihan data melibatkan beberapa proses
seperti mengisi nilai-nilai yang hilang; smoothing
data, mengidentifikasi atau menghapus outlier, dan
menyelesaikan inkonsistensi.
Kemudian, data
dibersihkan diubah menjadi bentuk tabel yang
cocok untuk model data mining. Data yang
dibersihkan akan dibagi menjadi dua; pelatihan atau
data pembelajaran (60%) dan sisanya adalah untuk
memvalidasi data. Pelatihan data ini diterapkan
untuk mengembangkan model sedangkan data
divalidasi digunakan untuk memverifikasi model
yang dipilih.
Pengumpulan data yang berpengaruh pada prestasi
akademik siswa diidentifikasi, sejumlah faktor yang
dianggap memiliki pengaruh dikategorikan sebagai
variabel input sedangkan Variabel output pada sisi
lain mewakili beberapa nilai, Data primer
dikumpulkan dari siswa dan data sekunder
dikumpulkan dari sekolah.
Data primer dikumpulkan melalui kuesioner yang
dibagikan kepada siswa secara acak, pertanyaan
yang dihimpun melalui kuesioner berisi tentang
aspek personal, sosial-ekonomi dan psikologi
responden yang berhubungan erat dengan aspekaspek untuk prestasi akademik siswa.
Persiapan data akademik dilakukan dengan
menganalisis dan menyiapkan data historis
penilaian tiap mata pelajaran dari catatan akademis
pada sekolah yang dikumpulkan pada periode
semester ganjil 2015/2016, berdasarkan model
penilaian kurikulum 2013 yang diklasifikasikan
dalam 10 kelompok, rentang nilai yang diberikan
tiap mata pelajaran seperti pada Tabel 1.
Tabel 1: Tabel Skala Penilaian berdasarkan
Kurikulum 2013
No. SKOR
NILAI
1
0.00
skor
1,00
D
2
1,00
skor ≤ 1,33
D+
3
1,33
skor ≤ 1,66
C4
1,66
skor ≤ 2,00
C
5
2,00
skor ≤ 2,33
C+
6
2,33
skor ≤ 2,66
B7
2,66
skor ≤ 3,00
B
8
3,00
skor ≤ 3,33
B+
9
3,33
skor ≤ 3,66
A10
3,66
skor ≤ 4,00
A
Hasil pengelompokan untuk persiapan data seperti
pada Gambar 1, data yang diperoleh pada grafik
adalah hasil distribusi nilai pada persiapan data,
yang proses pengelompokan nilai berdasarkan
Tabel 1.
Distribusi Nilai
44
50
43
40
30
20
10
0
21
11
9
A
A-
B+
B
B-
7
8
C+
C
4
1
2
C-
D+
D
Gambar 1: Distribusi Nilai yang dikumpulkan dari
sekolah
Selain data nilai akademik data yang digunakan
dalam penelitian ini adalah data absensi siswa. Data
absensi siswa digunakan
sebagai variabel
pendukung yang berhubungan dengan prestasi
akademik siswa. Sistem kehadiran pada sekolah ini
menggunakan fingerprint yang direkam setiap hari
oleh sekolah, pre processing data dilakukan untuk
menghasilkan data prosentase kehadiran tiap bulan,
berdasarkan Persamaan 1.
=
∑
(1)
Selanjutnya data prosentase tiap bulan jumlah kan
berdasarkan Persamaan 2.
=
∑
(2)
Kemudian data prosentase tiap semester dikonversi
menjadi {A, B, C, D, E}, dengan rentang data
prosentase untuk A: 85-100, B: 75-84, C:55-74, D:
35-54 dan E:0-34.
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
47
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
Data Primer yang diperoleh dari siswa melalui
kuesioner, digunakan sebagai variabel prediksi
disajikan dalam Tabel 2.
Tabel 2: Variabel dan Domain yang digunakan
No
Variabel
1
Jarak
2
kendaraan
3
frekwensiblj
4
lamablj
5
lingkunganblj
6
7
organisasi
hambatan
8
hubdgguru
9
pd
10
pendidikan
11
saudara
12
penghasilan
13
problem
14
absensi
15
nilai
Keterangan
Jarak rumah
siswa dari
sekolah
sarana yang
digunakan
siswa untuk
mencapai
sekolah
frekwensi
belajar siswa
di rumah
setiap hari
lama belajar
setiap hari
siswa di
rumah
suasana
lingkungan
belajar siswa
organisasi
yang diikuti
siswa di
sekolah
hambatan
yang dihadapi
siswa
disekolah
hubungan
antara siswa
dan guru
pengembanga
n diri yang
dikuti siswa
di sekolah
pendidikan
orang tua
saudara yang
dimiliki siswa
penghasilan
orang tua
siswa tiap
bulan
problem
keluarga yang
di hadapi
siswa
presensi
kehadiran
dengan media
fingerprint
nilai akhir
siswa
Domain
{0-5KM, 5-10KM, 1015KM,15-20KM}
{JALAN KAKI,
ANGKUTAN UMUM,
SEPEDA MOTOR,
MOBIL PRIBADI}
{TIDAK PERNAH,
KADANGKADANG,CUKUP,SERI
NG}
{0-1JAM, 1-2JAM, 23JAM, >3JAM}
{MENDUKUNG,
BIASA SAJA,
MENDUKUNG}
{TIDAK
AKTIF,KADANGKADANG,AKTIF}
Tabel 3: Rangking Atribut yang bisa digunakan
berdasarkan Information Gain
Rangking
Variabel
1
frekwensiblj
jarak
penghasilan
lamablj
pendidikan
lingkunganblj
saudara
organisasi
absensi
problem
hubdgguru
hambatan
kendaraan
Pd
2
3
4
5
6
7
8
9
10
{ADA, KADANGKADANG, TIDAK
ADA}
11
{KURANG BAIK,
BIASA SAJA, SANGAT
BAIK}
13
{TIDAK AKTIF,
KADANG-KADANG,
KURANG AKTIF}
{SD, SMP, SMA,
UNIVERSITAS}
{0-2, 3-4, >5}
{5
Jt}
{ADA, TIDAK ADA}
{A, B, C, D, E}
{A, A-, B+, B, B-, C+, C,
C-, D+, D}
Selanjutnya dari pengelompokan data tersebut
dipilihlah atribut utama yang relevan sebagai
variabel
yang
merepresentasikan
dan
mempengaruhi prestasi akademik siswa. Tabel 3
menunjukkan ringkasan dari atribut utama,
pengelompokan data dan “Information Gain” setiap
atribut untuk prediksi prestasi akademik siswa.
Nilai “Information Gain” didapatkan dari nilai
48
entropy yang dihasilkan dari sampel yang telah di
splitting menggunakan nilai pada atribut kelompok
sampel tersebut. Langkah ini menggunakan induksi
Decision Tree dan berguna untuk mengidentifikasi
atribut-atribut yang memiliki pengaruh terbesar
pada klasifikasi.
12
14
Information
Gain
0.6655
0.1965
0.1654
0.1593
0.1187
0.0907
0.0777
0.071
0.0693
0.0608
0.0583
0.0555
0.0399
0.0373
Proses pengelompokan untuk menentukan
“Information Gain” menggunakan “atribute
evaluator”, untuk memulai pemilihan atribut maka
dua objek harus di set up, yaitu: “atribute
evaluator” dan “metode pencarian”. Evaluator
digunakan untuk menentukan atribut apa yang layak
digunakan. Metode pencarian digunakan untuk
menentukan teknik pencarian yang terbaik, dari 15
atribut 14 atribut yang dapat digunakan pada
penelitian ini.
2. Pemodelan Prediksi Prestasi Akademik
Seperti disebutkan sebelumnya, banyak sekali
teknik yang digunakan para peneliti dalam
memprediksi prestasi akademik siswa, pada bagian
ini akan dijelaskan lebih detail teknik yang
digunakan setelah persiapan data dilakukan. Teknik
yang digunakan pada penelitian ini adalah
menggunakan
beberapa
model
kemudian
membandingkan tiap-tiap teknik dan model yang
mempunyai akurasi terbaik.
Bayesian Network merupakan salah satu teknik
yang populer yang digunakan untuk prediksi suatu
permasalahan karena dibangun berdasarkan teori
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
probabilistik dan teori graf, teori probabilistik
berhubungan langsung dengan data sedangkan teori
graf berhubungan langsung dengan bentuk
representasi yang ingin didapatkan dalam
melakukan prediksi (Heckerman, 1995).
Selain Bayesian Network, Teknik Decision Tree
digunakan dalam penelitian ini, Decision Tree
adalah pemetaan mengenai alternatif-alternatif
pemecahan masalah yang dapat diambil dari
masalah tersebut. Decision tree memperlihatkan
faktor-faktor probabilitas yang akan mempengaruhi
alternatif-alternatif keputusan tersebut.
Penelitian ini akan memodelkan prediksi prestasi
akademik siswa dengan tiga model, model pertama
berdasarkan data sebenarnya pada variabel nilai
yaitu konversi nilai berupa {A, A-, B+, B, B-, C+,
C, C-, D+, D}, model kedua dengan prediksi nilai
berdasarkan {BAIK, GAGAL} dan model ketiga
berdasarkan {BAIK, PERINGATAN,GAGAL}.
Dengan menggunakan model tersebut atribut input
di perbaiki dengan mengelompokkan rentang nilai
pada klasifikasi baru untuk mengevaluasi akurasi
perubahan prediksi. Hasil tuning terhadap rentang
nilai dengan model algoritma Decision Tree dan
Bayesian Network didapatkan perbedaan hasil
prediksi, seperti yang terpapar pada Tabel 4
ANALISA DAN HASIL
Ringkasan hasil prediksi menggunakan algoritma
Decision Tree dan Bayesian Network terlihat pada
Tabel 4. Hasil penelitian juga menunjukkan
algoritma Bayesian Network rata-rata hasil prediksi
dengan tepat mengungguli algoritma Decision
Tree.
Hasil training pada teknik Decision Tree terdapat
UnClassified Instances pada tiap-tiap model.
Model pertama sebanyak 12,4088 % data yang tidak
dapat diprediksi, sedangkan model kedua 0,7299%
dan model ketiga 2,1898%, sedangkan untuk teknik
yang menggunakan Bayesian Network mampu
memprediksi semua data training yang di berikan.
Perbandingan hasil data training pada masingmasing model berbeda akurasinya, model pertama
akurasinya sangat rendah dibandingkan dengan
model kedua dan ketiga. Akurasi model pertama
{A, A-, B+, B, B-, C+, C, C-, D+, D}, hanya mampu
memprediksi benar 38,6861% dengan teknik
Decision Tree dan 42,3358% dengan menggunakan
Bayesian Network dibandingkan dengan model
kedua {BAIK, GAGAL} dan model ketiga {BAIK,
PERINGATAN, GAGAL} yang mencapai 90%
Tabel 4: Perbandingan Hasil TrainingDecision Tree
dan Bayesian Network dengan Data Asli
Prediksi Nilai
Akhir
{A, A-, B+, B, B-,
C+, C, C-, D+, D}
{BAIK, GAGAL}
{BAIK,
PERINGATAN,
GAGAL}
Rata-Rata
Teknik
Hasil Data Asli
Correctly
Incorrectly
DT
38,6861%
48,9051%
BN
42,3358%
57,6642%
DT
97,0803%
2,1898%
BN
DT
97,0803%
2,9197%
92,7007%
5,1095%
BN
94,1606%
5,8394%
DT
76,1557%
18,7348%
BN
77,8589%
22,1411%
Setelah
pemeriksaan
hasil
lebih
detail
menggunakan confusion matrix di temukan ada
ketidakseimbangan yang besar dalam distribusi
output tiap kelompok dan akurasi kelompok yang
lebih kecil jauh lebih rendah dibandingkan akurasi
kelompok yang lebih besar, terutama pada model
pertama.
Untuk mengatasi masalah ini, maka dilakukan resample data menggunakan fasilitas yang ada pada
weka, untuk membuat data lebih seimbang
distribusinya. Prediksi menggunakan data resample jauh lebih akurat hasil nya yang ditunjukkan
pada Tabel 5.
Tabel 5: Perbandingan Hasil TrainingDecision Tree
dan Bayesian Network dengan Data Re-Sample
Prediksi Nilai
Akhir
{A, A-, B+, B,
B-, C+, C, C-,
D+, D}
{BAIK,
GAGAL}
{BAIK,
PERINGATAN,
GAGAL}
Rata-Rata
Teknik
Hasil Data Re-Sample
DT
Correctly
98,5401%
Incorrectly
1,4599%
BN
91,7591 %
8,7591%
DT
99,2701%
0,7299%
BN
DT
99,2701%
94,8905%
0,7299%
5,1095%
BN
93,4307%
6,5693%
DT
97,5669%
2,4331%
BN
94,8199%
5,3527%
Hasil menggunakan data re-sample menunjukkan
teknik Decision Tree lebih unggul dengan rata-rata
97,5669% dari pada Bayesian Network yang hanya
mencapai akurasi 94,8199%, juga tidak ada
UnClassified Instances pada tiap-tiap model pada
Teknik Decision Tree, sehingga semua instance
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
49
DINAMIKA TEKNOLOGI April 2016 Vol. 8; No. 1; Hal. 45-50
dapat diprediksi dengan baik. Rata-rata kemampuan
prediksi yang dihasilkan pada masing-masing
teknik meningkat lebih akurat dan merata pada tiaptiap model yang diteliti.
Re-sample yang dilakukan pada data asli
memberikan dampak yang signifikan terhadap pola
distribusi data, sehingga membuat algoritma
prediksi yang digunakan bekerja dengan optimal
dengan data dan variabel yang di buat pada masingmasing metode yang diteliti.
System, International Journal on Computer
Science and Engineering November.
4. V.Ramesh, P.Parkav and K.Ramar. 2013.
Predicting Student Performance: A Statistical
and Data Mining Approach, International
Journal of Computer Applications, Volume 63–
No.8.
5. Prabowo Pudjo Widodo, dkk. 2013. Penerapan
Data Mining dengan MATLAB, Rekayasa
Sains, Cetakan Pertama.
KESIMPULAN
1. Secara umum akurasi hasil prediksi yang
dilakukan menggunakan teknik Algoritma
Decision tree dan Bayesian Network tidak
berbeda nyata untuk ketiga model yang diteliti,
kedua teknik mencapai akurasi rata-rata
mencapai 90%, tetapi bila ditinjau lebih detail
maka Algoritma Decision Tree lebih unggul
dibandingkan Algoritma Bayesian Network.
Sehingga kedua teknik Algoritma bisa
direkomendasikan untuk digunakan pada kasuskasus prediksi.
2. Hasil pengujian dari variabel input dengan
menggunakan information gain, didapatkan
bahwa frekuensi belajar mempunyai peranan
yang sangat penting dalam memprediksi prestasi
belajar siswa, dibandingkan dengan variabelvariabel lain.
3. Dari penelitian ini dapat disimpulkan bahwa data
mining untuk prediksi akademik siswa dapat
berguna dalam banyak konteks, untuk
penerimaan siswa, dapat mengidentifikasi siswa
yang layak mendapat beasiswa dan memprediksi
siswa akan lulus atau tidak pada akhir studi
sehingga dapat dipantau lebih dini untuk
dilakukan perhatian yang lebih maksimal agar
tidak terjadi kegagalan.
DAFTAR PUSTAKA
1. Muslihah Wook. 2009. Predicting NDUM
Student’s Academic Performance Using Data
Mining Techniques. International Conference on
Computer and Electrical Engineering.
2. Nguyen Thai-Nghe, Paul Janecek, and Peter
Haddawy. 2007. A Comparative Analysis of
Techniques
for
Predicting
Academic
Performance. IEEE.
3. Behrouz Minaei-Bidgoli, Deborah A. Kashy,
Gerd Kortemeyer'. 2003. Predicting Student
Performance: an Application of Data Mining
Methods With an Educational Web-Based
50
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327