Prediksi Peminatan Studi Lanjut Menggunakan Metode Decision Tree
DOI:
https://doi.org/10.34010/komputika.v14i2.17702Abstract
Penelitian ini bertujuan untuk mengembangkan model prediksi minat studi lanjut ke perguruan tinggi menggunakan metode Decision Tree. Pemilihan jurusan sering kali dipengaruhi berbagai factor seperti prestasi akademik, minat pribadi, ekstrakurikuler, dan tes psikologi. Sekolah menghadapi tantangan dalam memberikan bimbingan yang tepat, sehingga Penerapan teknologi machine learning ini diharapkan dapat menjadi Solusi. Metode Decision Tree dipilih karena kemampuannya menangani data kategorikal dan numerik secara simultan. Data penelitian diperoleh dari salah satu SMA di kota Bandung, yang mencakup nilai akademik, minat siswa, ekstrakurikuler, dan hasil tes psikologi. Hasil penelitian menunjukan model yang dibangun memiliki kinerja yang baik dengan dengan akurasi mencapai 78%. Nilai precision dan recall yang seimbang pada kedua kelas (Teknik dan Non-Teknik) menunjukkan keandalan model dalam memprediksi minat siswa. Kontribusi penelitian ini yaitu menyediakan alat bantu bagi Sekolah dan Siswa untuk mendapatkan rekomendasi jurusan kuliah yang lebih terarah dan Objektif, sehingga meningkatkan kualitas pengambilan Keputusan.
References
[1] Khairudin, “Evaluasi Metode Data Mining Decision Tree C4.5 dan Naive Bayes dalam memprediksi pemilihan jurusan siswa (Studi Kasus Sma Master Indonesia),” Sci. Sacra J. Sains, Teknol. dan Masy., vol. 2, no. 4, pp. 57–61, 2022.
[2] N. Manullang, R. W. Sembiring, I. Gunawan, I. Parlina, and I. Irawan, “Implementasi Teknik Data Mining untuk Prediksi Peminatan Jurusan Siswa Menggunakan Algoritma C4.5,” J. Ilmu Komput. dan Teknol., vol. 2, no. 2, pp. 1–5, 2021, doi: 10.35960/ikomti.v2i2.700.
[3] P. W. Wulandari, S. Stella, and I. Sarwilly, “Hubungan Ketidaksesuaian Jurusan Dengan Stres Mahasiswa Dalam Menjalankan Kegiatan Perkuliahan: The Relationship between Department of Disappointment and Student Stress in Carrying out Lecture Activities,” J. Interprofesi Kesehat. Indones., vol. 1, no. 02, pp. 88–94, 2022.
[4] Arief Herdiansah, “Sistem Pendukung Keputusan Referensi Pemilihan Tujuan Jurusan Teknik Di Perguruan Tinggi bagi Siswa Kelas XII IPA Mengunakan Metode AHP,” J. MATRIK, vol. 19, no. 2, pp. 223–234, 2020.
[5] N. I. Putri, Y. Saputra, S. Nurhayati, and D. Dzarwah, “Sistem Pendukung Keputusan Pemilihan Program Studi Calon Mahasiswa Menggunakan Weighted Product (WP),” Tematik, vol. 5, pp. 322–327, 2023, [Online]. Available: https://www.jurnal.plb.ac.id/index.php/tematik/article/download/1630/781
[6] U. Suriani, “Penerapan Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree C4.5,” Journalcisa, vol. 3, no. 2, pp. 55–66, 2023, [Online]. Available: http://jesik.web.id/index.php/jesik/article/view/91
[7] T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
[8] A. Agung, A. Daniswara, I. Kadek, and D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” J. Informatics Comput. Sci., vol. 05, pp. 97–100, 2023.
[9] L. Santoso and Priyadi, “Mengoptimalkan Proses Pembersihan Data dalam Analisis Big Data Menggunakan Pipeline Berbasis AI,” J. Elektron. Dan Komput., vol. 17, no. 2, pp. 657–666, 2024.
[10] Aristejo, S. Wijanarko, Subhiyanto, and A. Santoso, “Penerapan Fungsi Mid Dan Find pada Pembersihan Data Alamat,” J. Tek. Inform. Stmik Antar Bangsa, vol. X, no. 1, pp. 14–18, 2024.
[11] D. Ruswanti, D. Susilo, and R. Riani, “Implementasi CRISP-DM pada Data Mining untuk Melakukan Prediksi Pendapatan dengan Algoritma C.45,” Go Infotech J. Ilm. STMIK AUB, vol. 30, no. 1, pp. 111–121, 2024, doi: 10.36309/goi.v30i1.266.
[12] Y. I. Lestari, S. Defit, and Y. Yuhandri, “Prediksi Tingkat Kepuasan Pelayanan Online Menggunakan Metode Algoritma C.45,” J. Inform. Ekon. Bisnis, vol. 3, pp. 148–154, 2021, doi: 10.37034/infeb.v3i4.104.
[13] A. Nurkholis and I. S. Sitanggang, “Optimization for prediction model of palm oil land suitability using spatial decision tree algorithm,” J. Teknol. dan Sist. Komput., vol. 8, no. 3, pp. 192–200, 2020, doi: 10.14710/jtsiskom.2020.13657.
[14] O. P. Moerdyanto and I. K. D. Nuryana, “Prediksi Kelulusan Tepat Waktu Menggunakan Pendekatan Pohon Keputusan Algoritma Decision Tree,” J. Informatics Comput. Sci., vol. 05, no. 1, pp. 90–96, 2023, [Online]. Available: https://ejournal.unesa.ac.id/index.php/jinacs/article/view/55329
[15] C, N. Chika Marselina, F. Matematika dan Ilmu Pengetahuan Alam, U. Sriwijaya, J. K. Raya Palembang-Prabumulih, and S. Selatan, “Processor: Jurnal Ilmiah Sistem Informasi, Teknologi Informasi dan Sistem Komputer Perbandingan Klasifikasi Penyakit Kanker Paru-paru menggunakan Support Vector Machine dan K-Nearest Neighbor,” vol. 18, no. 1, pp. 54–62, 2023.
[16] P. Pratiwi, D. Dwifa, A. Desiani, A. Amran, and B. Suprihatin, “Klasifikasi Penyakit Kanker Paru-Paru Menggunakan Algoritma Naïve Bayes dan Iterative Dichotomizer 3 (ID3),” Electr. J. Rekayasa dan Teknol. Elektro, vol. 18, no. 1, pp. 69–80, 2024, doi: 10.23960/elc.v18n1.2519.
