RECOMMENDATION SYSTEM FOR VOCATIONAL MAJOR STREAMING  BY C4.5 ALGORITHM

Indra Mukti Prabowo; Subiyanto Subiyanto

doi:10.21831/jk.v1i1.8964

RECOMMENDATION SYSTEM FOR VOCATIONAL MAJOR STREAMING BY C4.5 ALGORITHM

Indra Mukti Prabowo, FT UNNES, Indonesia
Subiyanto Subiyanto, FT UNNES, Indonesia

10.21831/jk.v1i1.8964

Abstract

This study was aimed at presenting decision tree model using C4.5 algorithm in developing a major selection system for vocational schools. The study was reseach and development using questionnaires and documentation as data collection instruments. The input variables were: interest, academic talent, National Exam score, and gender. The target variable was choice of majors. Decision trees were used to analyze the data from grade 10 of vocational schools Batang in District. The C4.5 Algorithm was used to build decision trees in describing the relationship between the input variables and the target variable in the form of patterns. The patterns were used as a guide for the classification of the input variables into the target variable. The data were analyzed by comparing results of the output system and students’ highest parallel ranking. Results show that the system is able to provide appropriate recommendations up to 83.33% out of the 48 tested data

SISTEM REKOMENDASI PENJURUSAN SEKOLAH MENENGAH KEJURUAN DENGAN ALGORITMA C4.5

Penelitian ini bertujuan untuk menyajikan model decision tree dengan algoritma C4.5 dalam mengembangkan sistem rekomendasi pemilihan jurusan untuk calon siswa baru Sekolah Menengah Kejuruan (SMK). Pendekatan yang digunakan adalah research and development (R&D). Pengumpulan data dilakukan dengan teknik angket dan studi dokumentasi. Variabel input yang digunakan dalam penelitian ini antara lain: minat, bakat akademik, nilai ujian nasional, dan jenis kelamin. Pilihan jurusan menjadi variabel target. Decision tree digunakan dalam menganalisis data siswa kelas 10 SMK se-Kecamatan Batang. Algoritma C4.5 digunakan untuk membangun decision tree yang menggambarkan hubungan antara variabel input dengan variabel target dalam bentuk pola. Pola tersebut digunakan sebagai aturan untuk proses klasifikasi variabel input ke dalam variabel target. Data penelitian dianalisis dengan cara membandingkan hasil output system dengan data siswa kelas 10 dengan tiga besar ranking paralel sebagai data uji. Hasil uji sistem menunjukkan bahwa sistem dapat memberikan rekomendasi yang tepat sebesar 83,33% dari 48 data uji

Keywords

Rekomendasi Jurusan, Algoritma C4.5

Full Text:

PDF

References

Amin, R. K., Indwiarti, & Sibaroni, Y. (2015). Implementation of decision tree using c4.5 algorithm in decision making of loan application by Debtor (Case study: Bank Pasar of Yogyakarta Special Region). Dalam Proceedings of 3rd International Conference of Information and Communication Technology (ICoICT 2015) (pp.75-80). Denpasar, Bali.

Andriani, A. (2013). Sistem pendukung keputusan berbasis decision tree dalam pemberian beasiswa. Studi kasus: Amik BSI Yogyakarta. Dalam Prosiding Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) (pp.163-168). UAJY, Yogyakarta.

Badan Standar Nasional Pendidikan. (2015). Buku saku UN 2015. Jakarta: Badan Penelitian dan Pengembangan, Kementerian Pendidikan dan Kebudayaan.

Departemen Pendidikan Nasional. (2008). penataan pendidikan profesional konselor dan layanan bimbingan dan konseling dalam jalur pendidikan formal (Nomor 27). Bandung: UPI Press.

Falentini, F. Y., Taufik, & Mudjiran. (2013). Usaha yang dilakukan siswa dalam menentukan arah pilihan karier dan hambatan-hambatan yang ditemui (Studi Deskriptif terhadap Siswa SMA N 3 Payakumbuh). Jurnal Ilmiah Konseling, 2(1), 310-316.

Fartindiyyah, N., & Subiyanto. (2014). Sistem pendukung keputusan pe-minatan SMA menggunakan metode weighted product. Jurnal Kependidikan, 44(2), 139-145.

Gu, P., & Zhou, Q. (2012). Student performances prediction based on improved C4.5 decision tree algorithm. Dalam M. Elwin, Xu Linli, & T. Wenya (Eds.). Emerging Computation and Information teChnologies for Education (pp.1-8). Hangzhou, China.

Gunarto, D. (2014). Panduan resmi tes TPA OTO BAPPENAS. Jakarta: Bintang Wahyu.

Han, J., Kamber, M., & Pei, J. (2012). Data mining concepts and techniques (3rd ed.). Waltham, MA: Elsevier Inc.

Hartinah, S. (2010). Pengembangan peserta didik. Bandung: PT. Rafika Aditama.

Hermawati. (2009). Data mining. Yogyakarta: Andi Offset.

Jantan, H., Hamdan, A.R, & Othman, Z. A. (2010). Human talent prediction in HRM using C4.5 classification algorithm. (IJCSE) International Journal on Computer Science and Engineering, 2(8), 2526-2534.

Kabra, R. R., & Bichkar, R. S. (2011). Performance prediction of engineering students using decision trees. International Journal of Computer Applications, 36(11), 8-12.

Kamaluddin, H. (2011). Bimbingan dan konseling sekolah. Jurnal Pendidikan dan Kebudayaan, 17(4), 447-454.

Kusmaryani, R. E. (2010). Penguasaan keterampilan konseling guru pembimbing di Yogyakarta. Jurnal Kependidikan, 40(2), 175-188.

Larose, D. T. (2005). Discovering knowledge in data: An introduction to data mining. New Jersey: John Willey & Sons, Inc.

Librarians. (2008). Careers and vocational guidance. New York: Ferguson Publishing.

Muangnak, N., Pukdee, W., & Hengsanunkun, T. (2010). Classi-fication students with learning disabilities using naïve bayes classifier and decision tree. Dalam Proceedings of 6th International Conference on Networked Computing and Advanced Information Management (NCM) (pp. 189-192). Seoul, Korea Utara.

Pandey, M., & Taruna, S. (2014). A multi-level classification model pertaining to the student’s academic performance prediction. Internationel Journal of Advances in Engineering & Technology (IJAET), 7(4), 1329-1341.

Quinlan, J. R. (1993). C4.5: Programs for machine learning. San Francisco: Morgan Kaufmann.

Setyaningrum, D., & Setiawati, D. (2013). Pengaruh persepsi siswa tentang layanan konseling individu dan persepsi tentang kompetisi kepribadian konselor terhadap minat memanfaatkan layanan bimbingan dan konseling. Jurnal BK UNESA, 1(1), 245-252.

Sharma, A. K., & Sahni, A. (2011). Comparative study of classification algorithms for spam email data analysis. International Journal on Computer Science and Engineering (IJCSE), 3(5), 1890-1895.

Simamora, A., & Suwarjo, L. (2013). Manajemen bimbingan dan konseling di SMAN 4 Yogyakarta. Jurnal Akutabilitas Manajemen Pendidikan, 1(2), 190-204.

Soliman, S. A., Abbas, S., & Salem, A. B. M. (2015). Classification of thrombosis collagen diseases based on C4.5 algorithm. Dalam Proceedings of 2015 IEEE 7th International Conference on Intelligent Computing and Information Systems (ICICIS) (pp.131-136). Kairo, Mesir.

Swastina, L. (2013). Penerapan algoritma C4.5 untuk penentuan jurusan mahasiswa. Jurnal GEMA AKTUALITA, 2(1), 93-98.

Yadav S. K., & Pal, S. (2012). Data mining: A prediction for performance improvement of engineering students using classification. World of Computer Science and Information Technology Journal (WCSIT), 2(2), 51-56.

DOI: https://doi.org/10.21831/jk.v1i1.8964