Analisis Klasifikasi UKT Mahasiswa Berdasarkan Tingkat Penghasilan Orang Tua Menggunakan Algoritma C4.5

Wulan Nadia Nursafitri; Naufal Shabir Ramadhan

doi:10.37630/inventor.v2i1.1248

Wulan Nadia Nursafitri politeknik negeri subang
Naufal Shabir Ramadhan politeknik negeri subang

DOI: https://doi.org/10.37630/inventor.v2i1.1248

Abstract

UKT (Single Tuition Fee) is a payment system for State University tuition fees where each PTN has its own regulations. To make it easier for PTNs to determine UKT prices, a data cluster technique called classification is needed. Classification is a systematic arrangement into groups or groups according to established rules or standards. With classification, it will make it easier for PTNs to know how data should be grouped so that they can get a fairly relative picture of students' socio-economic conditions. In the research conducted, the data mining classification algorithm used was the c4.5 algorithm. This algorithm is a classification of data with a relatively large number of attributes. To prove the effectiveness of the c4.5 algorithm, a classification validation test was carried out. The research results show that the c4.5 algorithm can classify students into groups with appropriate UKT based on the characteristics of their parents' income. This shows that the c4.5 algorithm can be used to make it easier for PTNs to determine UKT prices. Apart from that, the results of this research can also help in efforts to increase the accessibility of higher education for students from various economic backgrounds.

ABSTRAK

UKT (Biaya Pendidikan Tunggal) merupakan sistem pembayaran biaya pendidikan perguruan tinggi negeri dan setiap PTN mempunyai peraturan tersendiri. Untuk membantu PTN dalam menentukan harga UKT diperlukan suatu teknik clustering data yang disebut klasifikasi. Klasifikasi adalah pengelompokan sesuatu secara sistematis ke dalam kelompok atau kelas menurut aturan atau kriteria yang telah ditetapkan. Kategorisasi membantu PTN memahami cara mengelompokkan data dan memberikan pemahaman relatif mengenai status sosial ekonomi siswa. Penelitian yang dilakukan menggunakan algoritma c4.5 sebagai algoritma klasifikasi data mining. Algoritma ini mengklasifikasikan data dengan jumlah atribut yang relatif banyak. Uji validasi klasifikasi dilakukan untuk menunjukkan efektivitas algoritma c4.5. Hasil penelitian menunjukkan bahwa algoritma c4.5 mampu mengelompokkan siswa ke dalam kelompok dengan UKT yang sesuai berdasarkan karakteristik pendapatan orang tuanya. Hal ini menunjukkan bahwa dengan menggunakan algoritma c4.5, PTN dapat dengan mudah mengetahui harga UKT. Lebih lanjut, hasil penelitian ini juga akan membantu meningkatkan akses terhadap pendidikan tinggi bagi siswa dari latar belakang ekonomi yang berbeda.

Keywords: UKT (Uang Kuliah Tunggal), Klasifikasi, Data Mining, Algoritma C4.5, Kondisi Sosial Ekonomi

References

Ardiansyah, D. (2019). Algoritma c4. 5 untuk klasifikasi calon peserta lomba cerdas cermat siswa smp dengan menggunakan aplikasi rapid miner. Jurnal Inkofar, 1(2).

Eska, J. (2018). Penerapan Data Mining Untuk Prediksi Penjualan Wallpaper Menggunakan Algoritma C4. 5.

Ghazali, M., Fitriati, I., & Purnamasari, R. (2018). Support Vector Regression for Modeling Effect of Education Rate on Life Expectancy Rate in Indonesia. IJECA (International Journal of Education and Curriculum Application), 64–69.

Ghazali, M., Zohri, M., Lestari, J., Purnamasari, R., & Fitriati, I. (2023). Transformasi kemampuan analisis statistik mahasiswa UIN Mataram melalui pelatihan software JASP. ABSYARA: Jurnal Pengabdian Pada Masyarakat, 4(2), 235–247.

Harryanto, F. F., & Hansun, S. (2017). Penerapan Algoritma C4. 5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 3(2), 95–103.

Irianto, H. A. (2017). Pendidikan sebagai investasi dalam pembangunan suatu bangsa. Kencana.

Karim, B., & Sentinuwo, S. (2017). Penentuan Besaran Uang Kuliah Tunggal untuk Mahasiswa Baru di Universitas Sam Ratulangi Menggunakan Data Mining. Jurnal Teknik Informatika, 11(1).

Larytasari, L. A., Susanti, Y., & Respatiwulan, R. (2019). PENENTUAN UKT MAHASISWA UNS DENGAN ALGORITMA ITERATIVE DICHOTOMISER THREE DAN CLASSIFICATION VERSION 4.5. Seminar & Conference Proceedings of UMT.

Marleny, F. D., Junaidi, H. M., & Mambang, M. (2015). PENERAPAN K-MEANS CLUSTER UNTUK PENGARUH KECERDASAN EMOSI DAN STRES TERHADAP PRESTASI BELAJAR MAHASISWA. SEMNASTEKNOMEDIA ONLINE, 3(1), 1–2.

Muchsin, A. K., & Sudarma, M. (2015). Penerapan Fuzzy C-Means Untuk Penentuan Besar Uang Kuliah Tunggal Mahasiswa Baru. Lontar Komput. J. Ilm. Teknol. Inf, 6(3), 175.

Nurjanah, A., & Rifai, A. (2023). Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Kelayakan Status Penduduk Miskin Di Desa Susukan Tonggoh. Jurnal Wahana Informatika, 2(1), 164–176.

Pranatawijaya, V. H., Putra, P. B. A. A., & Sari, N. N. K. (2018). Pengembangan Perangkat Lunak Generate File Akun Uang Kuliah Tunggal (UKT) Universitas Palangka Raya. Jurnal Saintekom, 8(2), 166–178.

Prasetya, F. D., Nugroho, H. W., & Triloka, J. (2022). Analisa Data Mining Untuk Prediksi Penyakit Hepatitis C Menggunakan Algoritma Decision Tree C. 45 Dengan Particle Swarm Optimization. Prosiding Seminar Nasional Darmajaya, 1, 198–209.

Putri, S. U., Irawan, E., & Rizky, F. (2021). Implementasi Data Mining Untuk Prediksi Penyakit Diabetes Dengan Algoritma C4. 5. Kesatria: Jurnal Penerapan Sistem Informasi (Komputer Dan Manajemen), 2(1), 39–46.

Rofik, A., & Prehanto, D. R. (2020). Sistem Informasi Pendukung Keputusan Penerimaan dan Monitoring Beasiswa Menggunakan Algoritma C4. 5 (Studi Kasus Universitas Negeri Surabaya). Journal of Emerging Information System and Business Intelligence (JEISBI), 1(1), 16–23.

Rokhman, M. T. N. (2017). Improving managerial performance through participation role of budget preparation: a theoretical and empirical overview. Journal of Economics and Finance, 8(1), 39–43.

Wu, X., Kumar, V., Ross Quinlan, J., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., & Yu, P. S. (2008). Top 10 algorithms in data mining. Knowledge and Information Systems, 14, 1–37.