PENERAPAN SPLIT FEATURE REDUCTION PADA DECISION TREE C4.5 UNTUK MENINGKATKAN PREDIKSI PEFORMA BELAJAR SISWA SMK

• Main Author: Ali Akbar Jausyani, - (Author)
• Format: Book
• Published: 2022-07-04.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/75099/1/S_KOM_1807105_Title.pdf; http://repository.upi.edu/75099/2/S_KOM_1807105_Chapter%201.pdf; http://repository.upi.edu/75099/3/S_KOM_1807105_Chapter%202.pdf; http://repository.upi.edu/75099/4/S_KOM_1807105_Chapter%203.pdf; http://repository.upi.edu/75099/5/S_KOM_1807105_Chapter%204.pdf; http://repository.upi.edu/75099/6/S_KOM_1807105_Chapter%205.pdf; http://repository.upi.edu/75099/7/S_KOM_1807105_Appendix.pdf
• Keywords: L Education (General); QA75 Electronic computers. Computer science

Performa belajar siswa yang rendah dapat menyebabkan masalah-masalah besar seperti putus sekolah, maka perlu dilakukan pemantauan terhadap performa belajar siswa agar pendidik dapat mencegah siswa memiliki performa belajar yang rendah. Salah satu cara pemantauan performa belajar siswa adalah dengan cara prediksi. Educational Data Mining memiliki banyak teknik yang dapat digunakan dalam memproses data menjadi informasi, salah satunya adalah Decision Tree C4.5. Decision Tree C4.5 merupakan salah satu teknik yang sering digunakan dari berbagai teknik data mining dengan salah satu alasannya yaitu mudah dipahami. Namun Decision Tree C4.5 masih memiliki beberapa kekurangan seperti kemampuan prediksi yang rendah. Split Feature Reduction adalah salah satu teknik yang mencoba untuk memperbaiki kekurangan tersebut. Penggunaan teknik ini dapat dilakukan dengan cara mengurangi atribut-atribut siswa yang kurang signifikan dari proses pengolahan data. Maka, penelitian ini mencoba untuk meningkatkan kemampuan prediksi Decision Tree C4.5 menggunakan teknik Split Feature Reduction. Pada penelitian yang dilakukan ini, ditemukan bahwa Split Feature Reduction meningkatkan nilai F1-Score prediksi Decision Tree dalam menentukan performa belajar siswa SMK sebesar 5,32%. Atribut-atribut siswa yang ditemukan berpengaruh terhadap performa belajar siswa SMK adalah kelengkapan tugas, minat terhadap jurusan kelas, pendidikan ayah, akses internet, pendidikan ibu, status ibu bekerja, dan akses komputer. Jadi, penerapan Split Feature Reduction benar dapat meningkatkan kemampuan Decision Tree C4.5 dalam memprediksi performa belajar siswa SMK.