Prediksi Kelulusan Mata Kuliah Menggunakan Hybrid Fuzzy Inference System

Abidatul Izzah
Ratna Widyastuti

Abstract


 

Perguruan Tinggi merupakan salah satu institusi yang menyimpan data yang sangat informatif jika diolah secara baik. Prediksi kelulusan mahasiswa merupakan kasus di Perguruan Tinggi yang cukup banyak diteliti. Dengan mengetahui prediksi status kelulusan mahasiswa di tengah semester, dosen dapat mengantisipasi atau memberi perhatian khusus pada siswa yang diprediksi tidak lulus. Metode yang digunakan sangat bervariatif termasuk metode Fuzzy Inference System (FIS). Namun dalam implementasinya, proses pembangkitan rule fuzzy sering dilakukan secara random atau berdasarkan pemahaman pakar sehingga tidak merepresentasikan sebaran data. Oleh karena itu, dalam penelitian ini digunakan teknik Decision Tree (DT) untuk membangkitkan rule. Dari uraian tersebut, penelitian bertujuan untuk memprediksi kelulusan mata kuliah menggunakan hybrid FIS dan DT. Data yang digunakan dalam penelitian ini adalah data nilai Posttest, Tugas, Kuis, dan UTS dari 106 mahasiswa Politeknik Kediri pengikut mata kuliah Algoritma dan Struktur Data. Penelitian ini diawali dari membangkitkan 5 rule yang selanjutnya digunakan dalam inferensi. Tahap selanjutnya adalah implementasi FIS dengan tahapan fuzzifikasi, inferensi, dan defuzzifikasi. Hasil yang diperoleh adalah akurasi, sensitivitas, dan spesifisitas  masing-masing adalah 94.33%, 96.55%, dan 84.21%.

 

 

 

College is an institution that holds very informative data if it mined properly. Prediction about student’s graduation is a common case that many discussed. Having the predictions of student’s graduation in the middle semester, lecturer will anticipate or give some special attention to students who would be not passed. The method used to prediction is very varied including Fuzzy Inference System (FIS). However, fuzzy rule process is often generated randomly or based on knowledge experts that not represent the data distribution. Therefore, in this study, we used a Decision Tree (DT) technique for generate the rules. So, the research aims to predict courses graduation using hybrid FIS and DT. Dataset used is the posttest score, tasks score, quizzes score, and middle test score from 106 students of the Polytechnic Kediri who took Algorithms and Data Structures. The research started by generating 5 rules by decision tree. The next is implementation of FIS that consist of fuzzification, inference, and defuzzification. The results show that the classifier give a good result in an accuracy, sensitivity, and specificity respectively was 94.33%, 96.55% and 84.21%.


Keywords


Educational Data Mining; Fuzzy Inference System; prediction; decision tree; EDM; prediksi

References


Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. Gorunescu, F. (2011). Data Mining: Concepts, Models and Techniques. Berlin: Springer.

Jang, J. S., Sun, C. T., dan Mizutani, E. (1997). Neuro-Fuzzy and Soft Computing : A Computational Approach to Learning and Machine Intelligence. New Jersey: Prentice Hall.

Khan, I. A., dan Choi, J. T. (2014). An Application of Educational Data Mining (EDM) Technique for Scholarship Prediction. International Journal of Software Engineering and Its Applications, 8(12), 31-42.

Lindawati. (2008). Data Mining Dengan Teknik Clustering Dalam Pengklasifikasian Data Mahasiswa Studi Kasus Prediksi Lama Studi Mahasiswa Universitas Bina Nusantara. Seminar Nasional Informatika 2008 (semnasIF 2008) (hal. 174-180). Yogyakarta: UPN ”Veteran” Yogyakarta.

Mentari, M., Sari, Y. A., dan Dewi, R. K. (2016). Deteksi Kanker Kulit Melanoma dengan Linear Discriminant Analysis-Fuzzy k-Nearest Neigbhour Lp-Norm. Register: Jurnal Ilmiah Teknologi Sistem Informasi, 2(1), 34-39.

Mutrofin, S., Izzah, A., Kurniawardhani, A., dan Masrur, M. (2014). Optimasi Teknik Klasifikasi Modified K Nearest Neighbor Menggunakan Algoritma Genetika. Gamma: Jurnal Penelitian Eksakta, 10(1), 130-134.

Swanjaya, D., dan Izzah, A. (2015). Educational Data Mining Untuk Mengetahui Pola Minat Kerja Mahasiswa. Seminar Teknologi dan Rekayasa (SENTRA). 1, hal. 1-6. Malang: Universitas Muhammadiyah Malang.

Urbanowicz, R. J., dan Moore, J. H. (2009). Review Article Learning Classifier Systems: A Complete Introduction, Review, and Roadmap. Journal of Artificial Evolution and Applications, 2009, 1-25.

Virgiawan, D. M., dan Mukhlash, I. (2013). Aplikasi Association Rule Mining Untuk menemukan Pola Pada Data Nilai Mahasiswa Matematika ITS. Jurnal Sains Dan Seni POMITS, 1(1), 1-6.

Witten, I. H., Frank, E., dan Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques (Third Edition ed.). Burlington: Morgan Kaufmann.

Yadav, S. K., dan Pal, S. (2012). Data Mining: A Prediction for Performance Improvement of Engineering Students using Classification. World of Computer Science and Information Technology Journal (WCSIT), 2(2), 51-56.




DOI: https://doi.org/10.26594/register.v2i2.548

Article metrics

Abstract views : 530 | views : 193

Refbacks

  • There are currently no refbacks.



Indexed in:

                                    


 

Creative Commons License
Register: Jurnal Ilmiah Teknologi Sistem Informasi is licensed under a Creative Commons Attribution 4.0 International License.