Data Mining untuk Memprediksi Kelulusan Mahasiswa Jurusan DIII Kebidanan Menggunakan Metode Klasifikasi C4.5  (Studi Kasus : Institut Teknologi dan Kesehatan Ika Bina)

Intan Nur Fitriyani; Sentosa  Pohan; Desi  Irpan; Riswan Syahputra  Damanik; Baginda Restu  Al Ghazali

doi:10.55338/jumin.v5i1.6082

Authors

Intan Nur Fitriyani, Institut Teknologi dan Kesehatan Ika Bina, Indonesia
Sentosa Pohan, Institut Teknologi dan Kesehatan Ika Bina, Indonesia
Desi Irpan, Institut Teknologi dan Kesehatan Ika Bina, Indonesia
Riswan Syahputra Damanik, Institut Teknologi dan Kesehatan Ika Bina, Indonesia
Baginda Restu Al Ghazali, Institut Teknologi dan Kesehatan Ika Bina, Indonesia

DOI:

https://doi.org/10.55338/jumin.v5i1.6082

Keywords:

Kelulusan Mahasiswa, Data Mining, C4.5, Decision Tree, Kebidanan, Evaluasi Akademik

Abstract

Penelitian ini bertujuan untuk membangun model prediksi kelulusan mahasiswa pada program studi DIII Kebidanan di Institut Teknologi dan Kesehatan Ika Bina menggunakan algoritma C4.5. Metode yang digunakan adalah data mining dengan tahapan pengumpulan data, pembersihan data, penanganan nilai hilang, transformasi data, pemodelan menggunakan algoritma C4.5, dan evaluasi model. Data penelitian terdiri dari 150 mahasiswa, mencakup nilai mata kuliah, kehadiran, keterampilan klinis, kedisiplinan, pengalaman praktik, dan IPK. Hasil penelitian menunjukkan bahwa model prediksi yang dihasilkan mampu mengklasifikasikan kelulusan mahasiswa dengan akurasi 98%, precision 97%, recall 99%, dan AUC 0.97. Faktor utama yang berpengaruh terhadap kelulusan mahasiswa adalah nilai mata kuliah, kehadiran, keterampilan klinis, dan pengalaman praktik. Penelitian ini menegaskan bahwa penerapan data mining dengan algoritma C4.5 dapat digunakan sebagai alat bantu dalam proses evaluasi akademik dan pengambilan keputusan di perguruan tinggi vokasi, khususnya dalam program studi Kebidanan. Model prediksi yang dihasilkan juga dapat digunakan sebagai dasar untuk merancang intervensi yang lebih tepat bagi mahasiswa yang berisiko tidak lulus.

Downloads

Download data is not yet available.

References

J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. San Francisco, CA, USA: Morgan Kaufmann, 2012.

A. Riyanto, F. Hidayat, and D. Prabowo, “Application of C4.5 algorithm in predicting student graduation at a vocational university,” J. Teknol. Pendidikan, vol. 14, no. 3, pp. 45–52, 2020.

R. Nurahman, S. Aminah, and R. Hidayat, “Predicting student graduation in technical programs using C4.5 algorithm,” J. Ilmu Komput., vol. 10, no. 4, pp. 123–132, 2021.

A. Sugianto and R. Maulana, “Data mining for academic performance prediction using C4.5,” J. Comput. Sci., vol. 8, no. 2, pp. 67–74, 2019.

M. Yusuf and E. Yuliana, “Comparative study of machine learning algorithms for student graduation prediction,” J. Educ. Technol., vol. 11, no. 1, pp. 101–110, 2020.

F. Kurniawan and S. Haryanto, “Application of decision tree algorithms in predicting student success in higher education,” J. Data Sci. Technol., vol. 5, no. 3, pp. 234–240, 2022.

N. Sari and A. Setiawan, “Using decision tree C4.5 algorithm for predicting student performance in vocational education,” J. Educ. Res., vol. 9, no. 2, pp. 88–94, 2021.

D. Wahyu and S. Widodo, “Data mining applications in predicting academic success: A review,” J. Adv. Data Sci., vol. 12, no. 4, pp. 199–205, 2023.

A. Kurniawati and M. Rizki, “Prediction of student academic performance using machine learning algorithms,” J. Inform. Educ., vol. 7, no. 2, pp. 45–54, 2020.

D. Wijaya and A. Asep, “Optimizing decision tree algorithms in academic prediction models,” J. Educ. Technol. Innov., vol. 6, no. 1, pp. 112–119, 2021.

D. Wijaya and T. Ayu, “Applying data mining techniques for academic achievement prediction,” J. Teknol. Pendidikan, vol. 19, no. 1, pp. 33–42, 2020.

B. Rahardjo and D. Nuryanto, “Improvement of student success prediction using C4.5 algorithm,” J. Comput. Educ., vol. 7, no. 3, pp. 56–65, 2022.

L. Wibowo and D. Kurniasari, “Academic success factors in nursing education: A data mining approach,” J. Health Educ. Res., vol. 3, no. 1, pp. 33–41, 2022.

R. Amelia and N. Arifin, “Student performance prediction using decision tree and logistic regression,” J. Technol. Learn., vol. 4, no. 3, pp. 88–97, 2021.

Y. Hartono and S. Mulyani, “A hybrid model using C4.5 and K-means for graduation prediction,” J. Smart Comput. Educ., vol. 9, no. 2, pp. 122–130, 2023.