Fitur Seleksi Untuk Optimalisasi Kinerja Asisten Dosen

Rizal Prasetyo

Abstract


Dosen dan asisten dapat membantu meningkatkan kualitas pendidikan jika keduanya tidak ada maka mahasiswa mendapatkan kerugian, maka dari itu seorang asisten dosen perlu dilakukan peningkatan kinerja dengan salah satu  metode diantaranya metode decision tree. Decision tree dapat menghasilkan keputusan yang sangat sederhana, tetapi metode decision tree perlu di optimalkan dalam kinerjanya maka dari itu perlu menggunakan metode optimasi salah satunya metode particle swarm optimization. Particle swarm optimization merupakan metode optimasi dengan menghilangkan dan menseleksi fitur-fitur yang berlebihan untuk menghasilkan akurasi yang optimal. Dari hasil yang dilakukan dalam penelitian ini dengan menggunakan metode decision tree maka didapatkan akurasi sebesar 60.26%. Akan tetapi dengan adanya fitur yang diseleksi dengan particle swarm optimization dapat meningkatkan akurasi sebesar 67.54% dan membuktikan dengan adanya optimasi particle swarm optimization dapat meningkatkan sebesar 07.28%. Dan hasil yang kami capai membuktikan bahwa metode particle swarm optimization dapat meningkatkan akurasi dengan menseleksi fitur yang ada sehingga kinerja asisten dosen dapat meningkatkan kualitas pendidikan di masa yang akan datang

Keywords


Decision Tree, Fitur Seleksi, Optimalisasi Kinerja Asisten Dosen, Particle Swarm Optimization

References


Ariyati, I., Ridwansyah, & Suhardjono. (2018). Implementasi Particle Swarm Optimization untuk Optimalisasi Data Mining Dalam Evaluasi Kinerja Asisten Dosen. JIKO (Jurnal Informatika Dan Komputer) STMIK AKAKOM, 3(2), 70–75.

Cao, J., Cui, H., Shi, H., & Jiao, L. (2016). Big data: A parallel particle swarm optimization-back-propagation neural network algorithm based on MapReduce. PLoS ONE, 11(6), 1–17.

Dimopoulos, L. F., Tsiros, L. X., Serelis, K., & Chronopoulou, A. (2004). Combining Neural Network Models to Predict Spatial Patterns of Airborne Pollutant Accumulation in Soils around an Industrial Point Emission Source. Journal of the Air & Waste Management Association, 54(12), 1506–1515.

Gorunescu, F. (2011). Data Mining: Concepts, Models and Technique.

Han, J., & Kamber, M. (2006). Data Mining Concept and Techniques. India: New Age International Limited.

Lim, T. S., Loh, W. Y., & Shih, Y. S. (2000). A comparison of prediction accuracy, complexity, and training time of thirty-three old and new classification algorithms. Mach. Learn, 40(3), 203–228.

Ridwansyah, Ariyati, I., & Faizah, S. (2012). PARTICLE SWARM OPTIMIZATION BERBASIS CO-EVOLUSIONER. Jurnal SAINTEKOM, 9(2), 166–177. Retrieved from http://stmikplk.ac.id/jurnal/index.php/saintekom/article/view/96/62

Ridwansyah, & Purwaningsih, E. (2018). Particle Swarm Optimization Untuk Meningkatkan Akurasi Prediksi Pemasaran Bank. Jurnal PILAR Nusa Mandiri, 14(1), 83–88.

Sugianto, C. A. (2015). Penerapan Teknik Data Mining Untuk Menentukan Hasil Seleksi Masuk Sman 1 Cibeber Untuk Siswa Baru Menggunakan Decision Tree. Tedc, 9, 39–43.

Wu, & Kumar. (2009). The Top Ten Algorithms in Data Mining. USA: CRC Press.

Xu, T., Peng, Q., & Cheng, Y. (2012). Identifying the semantic orientation of terms using S-HAL for sentiment analysis. Knowledge-Based Syst., 35, 279–289.




DOI: https://doi.org/10.31294/p.v22i1.7349

ISSN2579-3500

Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Telepon: 021-21231170, ext. 704 / 705
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License