Perbandingan Akurasi Model Pembelajaran Mesin untuk Prediksi Seleksi Masuk Perguruan Tinggi Negeri
Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) masih menjadi salah satu jalur favorit bagi siswa SMA untuk melanjutkan pendidikan di Perguruan Tinggi Negeri (PTN). SNMPTN menggunakan nilai rapor semester 1 sampai dengan 5 untuk 6 mata pelajaran yang diinput di Pangkalan Data Sekolah dan Sis...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universitas Kristen Maranatha
2023-04-01
|
| Series: | JuTISI (Jurnal Teknik Informatika dan Sistem Informasi) |
| Subjects: | |
| Online Access: | https://journal.maranatha.edu/index.php/jutisi/article/view/6126 |
| Summary: | Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) masih menjadi salah satu jalur favorit bagi siswa SMA untuk melanjutkan pendidikan di Perguruan Tinggi Negeri (PTN). SNMPTN menggunakan nilai rapor semester 1 sampai dengan 5 untuk 6 mata pelajaran yang diinput di Pangkalan Data Sekolah dan Siswa (PDSS). Prediksi SNMPTN dapat dilakukan menggunakan model pembelajaran mesin dengan berbagai macam metode. Penelitian ini bertujuan untuk membuat model prediksi dengan menggunakan metode Decision Tree CART, Gaussian Naïve Bayes dan Logistic Regression, melakukan prediksi dan membandingkan tingkat akurasi dari model yang dibuat. Metodologi yang digunakan dalam penelitian ini adalah Knowledge Discovery in Database (KDD). Ini untuk mendapatkan pengetahuan yang berguna dari data. Dataset yang digunakan merupakan data nilai 6 mata pelajaran selama 5 semester dari angkatan 2015 hingga 2022. Evaluasi model menggunakan Split Percentage Method dan K-Fold Cross Validation. Hasil menunjukkan, skor akurasi untuk 3 model yang dibuat berbeda. Logistic Regression memiliki skor 0,82, diikuti oleh Decision Tree CART dengan skor 0,75 dan terakhir adalah Gaussian Naïve Bayes dengan skor 0,70. Hipotesis yang diajukan oleh peneliti sesuai dengan hasil yang didapatkan, bahwa model Logistic Regression memiliki skor akurasi lebih tinggi. Secara matematis, Logistic Regression tidak terlalu rumit jika dibandingkan dengan model lainnya. Untuk mendapatkan model yang sesuai dengan kebutuhan harus melibatkan iterasi melalui proses machine learning dan mencoba berbagai macam variasi. |
|---|---|
| ISSN: | 2443-2210 2443-2229 |