Perbandingan Performa Model Data Mining untuk Prediksi Dropout Mahasiwa

Penentuan teknik/model data mining yang tepat pada sebuah kasus sangat penting untuk mendapatkan model baik (tingkat akurat tinggi dan kesesuaiannya dengan masalah dipecahkan). Penelitian ini bertujuan membandingkan performa teknik diterapkan prediksi dropout mahasiswa. Perbandingan dilakukan menggunakan library PyCaret Python melakukan pemodelan 14 / yaitu: Extreme Gradient Boosting, Ada Boost Classifier, Light Boosting Machine, Random Forest Extra Trees Decision Tree K Neighbors Naive Bayes, Ridge Linear Discriminant Analysis, Logistic Regression, SVM - Kernel, Quadratic Analysis. Metrik evaluasi digunakan yaitu Accuracy, AUC, Recall, Precision, F1, Kappa, MCC (Matthews correlation coefficient). Hasil eksperimen menunjukkan bahwa mahasiswa lebih jika dimodelkan berbasis ensemble learner pohon keputusan akurasi mencapai 99%. Pohon memiliki keunggulan dibandingkan lain seperti Kernel Analysis karena ia dapat detil dalam memisahkan ke kedua kelas target. Setelah penyesuaian atribut, pembuangan missing values, parameter tuning, didapatkan hasil mirip dari berbagai sebesar 87%. Perbedaan antar menjadi kecil di saat atribut sedikit.