Komparasi Algoritma Klasifikasi untuk Prediksi Minat Sekolah Tinggi Pelajar pada Students Alcohol Consumption
Article Sidebar
Main Article Content
Abstract
Terdapat banyak faktor yang menjadi kriteria penentu kinerja pelajar salah satu diantaranya adalah konsumsi alkohol oleh pelajar, hal ini dapat mempengaruhi pengambilan keputusan negatif yang menjadi faktor keberhasilan kinerja pelajar. Pada penelitian ini digunakan teknik klasifikasi untuk memprediksi minat pelajar dalam mengambil Langkah untuk melanjutkan pendidikan ke jenjang yang lebih tinggi yang dipengaruhi oleh berbagai faktor, salah satunya adalah tingkat konsumsi alkohol oleh pelajar. Dengan membuat model menggunakan algoritma klasifikasi Naïve Bayes dan Decision Tree yang diujikan pada data konsumsi alkohol oleh pelajar menggunakan tools Rapid Miner. Kemudian model yang dihasilkan dikomparasi untuk menentukan algoritma terbaik dalam mengidentifikasi kinerja pelajar. Dengan menggunakan Teknik Cross Validation didapatkan statistik yang menunjukan bahwa Algoritma Decision Tree memiliki kinerja lebih baik jika diabandingkan dengan Naïve Bayes. Algoritma Decision Tree memiliki tingkat akurasi sebesar 86.44% sedangkan Naïve Bayes hanya memiliki tingkat akurasi sebesar 82.60%. Dan berdasarkan statistic ROC, bisa dikatakan bahwa Naïve Bayes memiliki kinerja yang cukup buruk dengan tingkat Equal Error Rate (EER) sebesar 65%, sedangkan Decision Tree memiliki tingkat EER lebih rendah yaitu sebesar 55%. Dengan begitu algoritma Decision Tree memiliki kinerja lebih baik dalam mengidentifikasi kinerja pelajar dengan pengaruh berbagai faktor salah satunya alkohol.
Article Details
References
S. Pal and V. Chaurasia, “Is Alcohol Affect Higher Education Students Performance: Searching and Predicting Pattern Using Data Mining Algorithms,” SSRN Electron. J., vol. 6, no. 4, pp. 8–17, 2017, doi: 10.2139/ssrn.2991214.
I. Print, I. Online, I. Cd-rom, and A. K. Hamoud, “Research in Science , Technology , Engineering & Mathematics Selection of Best Decision Tree Algorithm for Prediction and Classification of Students ’ Action,” no. October, pp. 26–32, 2016.
S. Roy and A. Garg, “Predicting academic performance of student using classification techniques,” 2017 4th IEEE Uttar Pradesh Sect. Int. Conf. Electr. Comput. Electron. UPCON 2017, vol. 2018-Janua, pp. 568–572, 2017, doi: 10.1109/UPCON.2017.8251112.
T. Bhardwaj and P. Somvanshi, Machine Intelligence and Signal Analysis, vol. 748. Springer Singapore, 2019.
A. Koli and S. Shinde, “Parallel decision tree with map reduce model for big data analytics,” Proc. - Int. Conf. Trends Electron. Informatics, ICEI 2017, vol. 2018-Janua, pp. 735–739, 2018, doi: 10.1109/ICOEI.2017.8300800.
. O. A., “Comparative Study of Classification Algorithm for Text Based Categorization,” Int. J. Res. Eng. Technol., vol. 05, no. 02, pp. 217–220, 2016, doi: 10.15623/ijret.2016.0502037.
N. Sagala and H. Tampubolon, “Komparasi Kinerja Algoritma Data Mining pada Dataset Konsumsi Alkohol Siswa,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 2, p. 98, 2018, doi: 10.23917/khif.v4i2.7061.
A. K. Shukla, P. Singh, and M. Vardhan, “Predicting Alcohol Consumption Behaviours of the Secondary Level Students,” SSRN Electron. J., 2018, doi: 10.2139/ssrn.3170173.
S. Ismail, N. I. A. N. Azlan, and A. Mustapha, “Prediction of alcohol consumption among Portuguese secondary school students: A data mining approach,” ISCAIE 2018 - 2018 IEEE Symp. Comput. Appl. Ind. Electron., pp. 383–387, 2018, doi: 10.1109/ISCAIE.2018.8405503.
B. A. Esen, “How to manage Machine Learning/Deep Learning project?,” 2018. https://medium.com/@akanesen/how-to-manage-machine-learning-deep-learning-project-51f9b0fe164f (accessed May 14, 2020).