Penulis: Jimmy H. Moedjahedy, Gede Pramudya (Universitas Klabat)
Untuk menganalisis pencapaian akademik mahasiswa, salah satu indikator yang digunakan adalah Indeks Prestasi Kumulatif (IPK). Berbagai penelitian sebelumnya menggunakan metode korelasi seperti Pearson dan Spearman untuk menguji hubungan antar variabel. Namun, dalam penelitian ini digunakan metode Power Predictive Score sebagai alternatif dari metode Pearson dan Spearman karena dinilai lebih efektif dalam mengidentifikasi pola hubungan yang tidak terdeteksi oleh metode korelasi tradisional. Tujuan dari penelitian ini adalah untuk menentukan algoritma machine learning yang paling ideal dalam memprediksi pencapaian akademik mahasiswa berdasarkan IPK yang diperoleh dari 12 fitur atau variabel.
Algoritma machine learning yang digunakan dalam penelitian ini meliputi Decision Tree, Naïve Bayes, Random Forest, dan Neural Network, dengan terlebih dahulu menganalisis tingkat korelasi masing-masing fitur menggunakan Power Predictive Score. Dataset yang digunakan berasal dari data 6.343 mahasiswa di sebuah universitas swasta di Sulawesi Utara, Indonesia. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes memiliki performa terbaik dibandingkan algoritma lainnya dengan tingkat akurasi mencapai 78,92%.
Penulis: Jimmy H. Moedjahedy, Gede Pramudya (Universitas Klabat)
Untuk menganalisis pencapaian akademik mahasiswa, salah satu indikator yang digunakan adalah Indeks Prestasi Kumulatif (IPK). Berbagai penelitian sebelumnya menggunakan metode korelasi seperti Pearson dan Spearman untuk menguji hubungan antar variabel. Namun, dalam penelitian ini digunakan metode Power Predictive Score sebagai alternatif dari metode Pearson dan Spearman karena dinilai lebih efektif dalam mengidentifikasi pola hubungan yang tidak terdeteksi oleh metode korelasi tradisional. Tujuan dari penelitian ini adalah untuk menentukan algoritma machine learning yang paling ideal dalam memprediksi pencapaian akademik mahasiswa berdasarkan IPK yang diperoleh dari 12 fitur atau variabel.
Algoritma machine learning yang digunakan dalam penelitian ini meliputi Decision Tree, Naïve Bayes, Random Forest, dan Neural Network, dengan terlebih dahulu menganalisis tingkat korelasi masing-masing fitur menggunakan Power Predictive Score. Dataset yang digunakan berasal dari data 6.343 mahasiswa di sebuah universitas swasta di Sulawesi Utara, Indonesia. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes memiliki performa terbaik dibandingkan algoritma lainnya dengan tingkat akurasi mencapai 78,92%.
Unduh Jurnal Lengkap (PDF)
Download PDF