Data Mining untuk Klasifikasi Penerimaan Peserta Didik Baru dengan Menerapkan Algortima Decision Tree
Keywords:
Data Mining, Decision Tree, PPDB, Klasifikasi, ZonasiAbstract
Perkembangan teknologi informasi menyebabkan meningkatnya volume data pada berbagai sektor, termasuk pada proses Penerimaan Peserta Didik Baru (PPDB). Data yang tersimpan dalam jumlah besar membutuhkan teknik analisis untuk menemukan pola tersembunyi guna menunjang pengambilan keputusan. Penelitian ini menerapkan metode data mining dengan algoritma Decision Tree untuk mengklasifikasikan hasil PPDB berdasarkan atribut prestasi dan zonasi. Perhitungan dilakukan melalui tahapan entropy dan information gain untuk menentukan atribut dengan kontribusi paling tinggi terhadap keputusan. Model diuji menggunakan aplikasi Orange sebagai pembangun pohon keputusan. Hasil menunjukkan bahwa atribut zonasi memiliki nilai information gain tertinggi sehingga dijadikan root node dalam pohon keputusan. Decision Tree terbukti mampu memberikan keputusan klasifikasi secara mudah, interpretatif, dan akurat pada dataset PPDB yang dianalisis. Temuan ini menunjukkan bahwa Decision Tree dapat diandalkan untuk mendukung proses seleksi berbasis data dalam bidang Pendidikan.
References
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Wadsworth International Group.
Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging Artificial Intelligence Applications in Computer Engineering, 160, 3–24.
Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81–106. https://doi.org/10.1007/BF00116251
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann.
Tan, P.-N., Steinbach, M., & Kumar, V. (2019). Introduction to Data Mining (2nd ed.). Pearson.
