Komparasi Metode Decision Tree dan Deep Learning dalam Meramalkan Jumlah Mahasiswa Drop Out Berdasarkan Nilai Akademik

Dina Wahyuni  Puteri; Putu Wira Buana; I Made Sukarsa

doi:10.47134/pjise.v1i2.2327

Authors

Dina Wahyuni Puteri Teknologi Informasi, Universitas Udayana
Putu Wira Buana Teknologi Informasi, Universitas Udayana
I Made Sukarsa Teknologi Informasi, Universitas Udayana

DOI:

https://doi.org/10.47134/pjise.v1i2.2327

Keywords:

Akreditasi, Decision Tree, Deep Learning, Drop Out, GRU (Gated Recurrent Unit)

Abstract

Akreditasi memiliki peran penting dalam proses pertimbangan setiap calon mahasiswa untuk melanjutkan pendidikan ke jenjang yang lebih tinggi. Perguruan tinggi dan program studi tentu diharapkan dapat memiliki akreditasi yang baik, guna menjamin mutu dan kualitasnya. Drop out menjadi salah satu permasalahan dalam menjaga dan meningkatkan mutu suatu perguruan tinggi khususnya pada program studi. Angka kasus drop out yang tinggi akan memicu turunnya kualitas Pendidikan di Indonesia dan berdampak pada akreditasi suatu program studi di perguruan tinggi. Upaya yang dapat dilakukan untuk mengatasi hal tersebut yaitu, dengan melakukan prediksi terkait mahasiswa yang terancam drop out secara dini. Penelitian ini menggunakan dua jenis metode yang berbeda yang dikomparasikan untuk menemukan hasil pemodelan terbaik. Metode yang digunakan yakni decision tree dengan algoritma C5.0 serta deep learning dengan algoritma GRU. Data peramalan yang digunakan yaitu Data Mahasiswa Program Studi Teknologi Informasi angkatan tahun 2010-2016. Metode dengan performa terbaik pada penelitian ini yaitu metode decision tree C5.0 yang menghasilkan nilai akurasi sebesar 95% dengan persentase kesalahan RMSE 0.13001950438859716 dan MAPE 2.26% Metode deep learning menunjukkan hasil yang cenderung lebih rendah dibanding decision tree C5.0 dengan nilai akurasi sebesar 92% dan persentase kesalahan RMSE 0.1873780487675864 MAPE 4.69%.

References

Anita, N., Intan, P. Y., & Yulia, P. E. (2020). Prediksi Ketepatan Waktu Kelulusan. Jurnal Informatika Dan Sistem Informasi (JIFoSI), 1(3), 817–825.

Ariska, F., Sihombing, V., & Irmayani, I. (2022). Student Graduation Predictions Using Comparison of C5.0 Algorithm With Linear Regression. SinkrOn, 7(1), 256–266. https://doi.org/10.33395/sinkron.v7i1.11261 DOI: https://doi.org/10.33395/sinkron.v7i1.11261

Bengnga, A., & Ishak, R. (2018). Prediksi Jumlah Mahasiswa Registrasi Per Semester Menggunakan Linier Regresi Pada Universitas Ichsan Gorontalo. ILKOM Jurnal Ilmiah, 10(2), 136–143. https://doi.org/10.33096/ilkom.v10i2.274.136-143 DOI: https://doi.org/10.33096/ilkom.v10i2.274.136-143

Bhat, I., Umadevi, V., Jagadeesh, N., & ... (2023). Tender Coconut Classification using Decision Tree and Deep Learning Technique. … Processing and …. https://ieeexplore.ieee.org/abstract/document/10117353/ DOI: https://doi.org/10.1109/SPIN57001.2023.10117353

Budilaksana, D., Sukarsa, M., Agung, A., Agung, K., & Wiranatha, C. (2021). Implementing kNearest Neighbor Methods to Predict Car Prices. JURNAL ILMIAH MERPATI, 9(1), 58–71. DOI: https://doi.org/10.24843/JIM.2021.v09.i01.p06

Chen, Y., Chen, W., Pal, S. C., Saha, A., & ... (2022). Evaluation efficiency of hybrid deep learning algorithms with neural network decision tree and boosting methods for predicting groundwater potential. Geocarto …. https://doi.org/10.1080/10106049.2021.1920635 DOI: https://doi.org/10.1080/10106049.2021.1920635

Eom, J. Y., Jang, S. U., & Jeon, W. S. (2023). Wi-Sniffer: Wifi-based intruder detection system using deep learning and decision tree. 2023 IEEE 97th Vehicular …. https://ieeexplore.ieee.org/abstract/document/10199724/ DOI: https://doi.org/10.1109/VTC2023-Spring57618.2023.10199724

Grégoire, G., Fortin, J., Ebtehaj, I., & Bonakdari, H. (2023). Forecasting Pesticide Use on Golf Courses by Integration of Deep Learning and Decision Tree Techniques. Agriculture. https://www.mdpi.com/2077-0472/13/6/1163 DOI: https://doi.org/10.3390/agriculture13061163

Kastawan, P. W., Wiharta, D. M., & Sudarma, M. (2018). Implementasi Algoritma C5.0 pada Penilaian Kinerja Pegawai Negeri Sipil. Majalah Ilmiah Teknologi Elektro, 17(3), 371. https://doi.org/10.24843/mite.2018.v17i03.p11 DOI: https://doi.org/10.24843/MITE.2018.v17i03.P11

Kataria, S., & Nafis, M. T. (2019). Internet banking fraud detection using deep learning based on decision tree and multilayer perceptron. 2019 6th International Conference on …. https://ieeexplore.ieee.org/abstract/document/8991389/

Kemenristekdikti. (2017). Laporan Kinerja 2017.

Kemenristekdikti, P. (2018). Statistik Pendidikan Tinggi 2018.

Kemenristekdikti, P. (2019). Statistik Pendidikan Tinggi Tahun 2019.

Mandalapu, V., Elluri, L., Vyas, P., & Roy, N. (2023). Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions. IEEE Access, 11, 60153–60170. https://doi.org/10.1109/ACCESS.2023.3286344 DOI: https://doi.org/10.1109/ACCESS.2023.3286344

Mardi, Y. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4.5. Edik Informatika, 2(2), 213–219. https://doi.org/10.22202/ei.2016.v2i2.1465 DOI: https://doi.org/10.22202/ei.2016.v2i2.1465

Menon, S. P. (2020). Deep learning for prediction of amyotrophic lateral sclerosis using stacked auto encoders. In Int. J. Big Data Management (Vol. 1, Issue 2). DOI: https://doi.org/10.1504/IJBDM.2020.112416

Nyoman, I., Bayu, K., Made, I., Dwi Suarjaya, A., & Wira Buana, P. (2022). Classification of Indonesian Population’s Level Happiness on Twitter Data Using N-Gram, Naïve Bayes, and Big Data Technology. International Journal on Advanced Science, Engineering and Information Technology (IJASEIT), 12(5). DOI: https://doi.org/10.18517/ijaseit.12.5.14387

Putra, A. (2017). Solusi Prediksi Mahasiswa Drop Out Pada Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Bina Darma. Jurnal SIMETRIS, 84(1), 177–184. https://doi.org/10.1103/PhysRevE.94.033206 DOI: https://doi.org/10.24176/simet.v8i1.893

Romeo, L., Devanna, R. P., Marani, R., & ... (2023). Scale-invariant semantic segmentation of natural RGB-D images combining decision tree and deep learning models. … Sensing and …. https://doi.org/10.1117/12.2677371.short DOI: https://doi.org/10.1117/12.2677371

Sari, E. Y., Kusrini, K., & Sunyoto, A. (2021). Analisis Akurasi Jaringan Syaraf Tiruan Dengan Backpropagation Untuk Prediksi Mahasiswa Dropout. Creative Information Technology Journal, 6(2), 85. https://doi.org/10.24076/citec.2019v6i2.235 DOI: https://doi.org/10.24076/citec.2019v6i2.235

Syafa, L., & Lestandy, M. (2021). Penerapan Deep Learning untuk Prediksi Kasus Aktif Covid-19. Jurnal Sains Komputer & Informatika (J-SAKTI), 5(1), 453–457.

Tandon, P., Ghanavati, S., Cheetirala, S. N., & ... (2023). A Hybrid Decision Tree and Deep Learning Approach Combining Medical Imaging and Electronic Medical Records to Predict Intubation Among Hospitalized …. JMIR Formative …. https://formative.jmir.org/2023/1/e46905/ DOI: https://doi.org/10.2196/46905

Waliyansyah, R. R., & Saputro, N. D. (2020). Forecasting New Student Candidates Using the Random Forest Method. Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, 11(1), 44. https://doi.org/10.24843/lkjiti.2020.v11.i01.p05 DOI: https://doi.org/10.24843/LKJITI.2020.v11.i01.p05

Yan, J., Li, C., & Liu, Y. (2021). Insecurity early warning for large scale hybrid AC/DC grids based on decision tree and semi-supervised deep learning. IEEE Transactions on Power Systems. https://ieeexplore.ieee.org/abstract/document/9399284/ DOI: https://doi.org/10.1109/TPWRS.2021.3071918

Zaman, L., Sumpeno, S., & Hariadi, M. (2019). Analisis Kinerja LSTM dan GRU sebagai Model Generatif untuk Tari Remo. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi (JNTETI), 8(2), 142. https://doi.org/10.22146/jnteti.v8i2.503 DOI: https://doi.org/10.22146/jnteti.v8i2.503

Zhao, L., Han, W., Niu, P., Lu, Y., Zhang, F., & ... (2023). Using nomogram, decision tree, and deep learning models to predict lymph node metastasis in patients with early gastric cancer: a multi-cohort study. American Journal of …. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9906085/ DOI: https://doi.org/10.2139/ssrn.4185033

Zhao, L., Han, W., Niu, P., Lu, Y., Zhang, F., Jiao, F., Zhou, X., & ... (2022). Nomogram, Decision Tree and Deep Learning Models to Predict Lymph Node Metastasis of Patients with Early Gastric Cancer: A Multi-Cohort Study. papers.ssrn.com. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4185033 DOI: https://doi.org/10.2139/ssrn.4185033