ThesisOpen AccessPDF tersedia
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Skripsi atas nama Reza Pahlevi Pane, dengan judul "Analisis Algoritma Decision Tree Dalam Prediksi Kelulusan Seleksi Masuk Asrama di SMAN 1 Padang Panjang", Program Studi Pendidikan Teknik Informatika dan Komputer (PTIK) Fakultas Tarbiyah dan Ilmu Keguruan (FTIK) Universitas Islam Negeri (UIN) Sjech M. Djamil Djambek Bukittinggi.
Proses seleksi penerimaan peserta didik baru jalur asrama di SMAN 1 Padang Panjang melibatkan berbagai kriteria penilaian sehingga penentuan kelulusan menjadi kompleks dan berpotensi menimbulkan subjektivitas apabila dilakukan secara manual. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Decision Tree C4.5 dalam memprediksi kelulusan seleksi masuk asrama berdasarkan data historis penerimaan peserta didik.
Penelitian menggunakan metode Knowledge Discovery in Databases (KDD) yang meliputi tahapan seleksi data, prapemrosesan data, transformasi data, pemodelan menggunakan algoritma Decision Tree C4.5, dan evaluasi model. Data yang digunakan merupakan 2.481 data historis seleksi masuk asrama SMAN 1 Padang Panjang tahun pelajaran 2022/2023 sampai dengan 2024/2025. Evaluasi model dilakukan menggunakan teknik 10-fold cross validation dengan metrik accuracy, precision, recall, F1-Score, dan Area Under Curve (AUC).
Hasil penelitian menunjukkan bahwa model menghasilkan nilai accuracy sebesar 98,63%, precision sebesar 96,57%, recall sebesar 93,89%, F1-Score sebesar 95,21%, dan AUC sebesar 0,870 yang menunjukkan kemampuan klasifikasi yang baik. Hasil pembentukan pohon keputusan menunjukkan bahwa atribut Nilai Tes Akademik menjadi akar pohon (root node) dan menghasilkan aturan klasifikasi (IF–THEN Rules) sebagai dasar prediksi kelulusan. Berdasarkan hasil penelitian tersebut, algoritma Decision Tree C4.5 mampu menghasilkan model prediksi dengan tingkat akurasi yang tinggi serta aturan keputusan yang mudah dipahami sehingga layak digunakan sebagai pendukung pengambilan keputusan dalam proses seleksi masuk asrama di SMAN 1 Padang Panjang.
ThesisOpen AccessPDF tersedia
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Mata kuliah Sistem Basis Data merupakan salah satu mata kuliah inti pada Program Studi Pendidikan Teknik Informatika dan Komputer yang memiliki peran penting dalam pembentukan kompetensi dasar mahasiswa. Namun, dalam implementasinya masih ditemukan mahasiswa yang mengalami kesulitan hingga gagal dalam menyelesaikan mata kuliah ini. Hal ini dapat menyebabkan keterlambatan masa studi dan menjadi indikator yang memengaruhi kualitas akademik serta akreditasi program studi. Oleh karena itu, diperlukan suatu sistem yang mampu memprediksi keberhasilan mahasiswa sejak dini agar pihak kampus dapat memberikan intervensi yang tepat. Penelitian ini merupakan penelitian terapan yang menggunakan pendekatan data mining dengan algoritma klasifikasi C4.5. Data yang digunakan berjumlah 1.030 entri dari enam tahun terakhir yang diperoleh dari sistem informasi akademik UIN Sjech M. Djamil Djambek Bukittinggi. Penelitian ini dilakukan melalui tahapan Knowledge Discovery in Databases (KDD) yang mencakup seleksi data, pembersihan, transformasi, pemodelan, hingga evaluasi model. Pengolahan data dilakukan menggunakan perangkat lunak Altair AI Studio (RapidMiner) versi 2025.0.1. Model prediktif yang dihasilkan dari algoritma C4.5 menunjukkan performa yang cukup baik dengan tingkat akurasi sebesar 82,99%, recall sebesar 69,58%, presisi sebesar 62,51%, dan F1-score sebesar 65,86%. Hasil ini menunjukkan bahwa algoritma C4.5 efektif digunakan sebagai sistem peringatan dini untuk mengidentifikasi mahasiswa yang berisiko tidak lulus pada mata kuliah Sistem Basis Data. Dengan demikian, model ini dapat menjadi acuan bagi program studi dalam merancang strategi akademik yang lebih tepat sasaran.
ThesisOpen AccessPDF tersedia
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Timeliness of graduation is one of the indicators of university quality, and the utilisation of student data can provide valuable information to support decision-making. Quantitative data from the university's TIPD department, including gender, school of origin, Semester Grade Point Average (IPS), and Grade Point Average (GPA), are used as prediction attributes. Through the stages of data collection, attribute determination, data mining (cleaning, selection, transformation), and application of the Naive Bayes algorithm, a prediction model was built and tested. The results showed an accuracy of 87.5%, precision of 57.2%, and recall of 80%. It is concluded that the Naive Bayes algorithm is effective in classifying student graduation, with the funding source attribute identified as one of the influential factors. This study recommends the use of feature filtering such as information gain in future research to improve prediction accuracy.
