Rekomendasi Pemilihan Mata Kuliah Dalam Pengisian Rencana Studi Mahasiswa dengan Penerapan Algoritma Apriori
DOI:
https://doi.org/10.31961/eltikom.v6i1.549Keywords:
academic, apriori algorithm, data mining, recommender systems, study plansAbstract
During the time of filling out the study plan, many Budi Luhur University students find it difficult to choose the courses to be taken in the next semester. Errors in the selection of courses can have an impact on the achievement of achievement that is not optimal, and can inhibit student graduation. The role of academic supervisors in helping students determine the taking of courses in the coming semester is very important, but in some cases, there are academic supervisors who do not have time to discuss directly with students. Therefore, in this study a system is proposed that can provide recommendations for students in taking courses when filling out study plans for the next semester. This course of recommendation making system uses the association rule mining method with a priori algorithm. The student's course history data is evaluated using an a priori algorithm to produce recommendations for choosing courses in the next semester. The trial results of this system show an average percentage of successful recommendations of 80.16% with a minimum confidence of 80%, and a minimum support of 7. With these results, this system can be used as a means of students to help make decisions in making courses at the coming semester.
Downloads
Download data is not yet available.
References
A. F. Fajri, “Implementasi Algoritma Apriori Dalam Menentukan Program Studi Yang Diambil Mahasiswa,” J. Iptek Terap., vol. 10, no. 2, hal. 81–85, 2016.
A. Solichin, “Comparison of Decision Tree , Naïve Bayes and K- Nearest Neighbors for Predicting Thesis Graduation,” in The 6th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI 2019), 2019.
S. Lorena, W. Zarman, dan I. Hamidah, “Analisis Dan Penerapan Algoritma C4.5 Dalam Data mining Untuk Memprediksi Masa Studi Mahasiswa Berdasarkan Data Nilai Akademik,” Pros. Semin. Nas. Apl. Sains dan Teknol., no. November, hal. 263–272, 2014.
A. G. Novianti dan D. Prasetyo, “Penerapan algoritma k-nearest neighbor (k-nn) untuk prediksi waktu kelulusan mahasiswa,” in Seminar Nasional APTIKOM, 2017, hal. 108–113.
S. Salmu dan A. Solichin, “Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes : Studi Kasus UIN Syarif Hidayatullah Jakarta,” in Seminar Nasional Multidisiplin Ilmu (SENMI) 2017, 2017, hal. 701–709.
M. Ridwan, H. Suyono, dan M. Sarosa, “Penerapan Data mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Eeccis, vol. 7, no. 1, hal. 59–64, 2013.
F. Yunita, “Penerapan Data mining Menggunkan Algoritma K-Means Clustring Pada Penerimaan Mahasiswa Baru (Studi Kasus : Universitas Islam Indragiri),” J. Sist., vol. 7, no. 3, hal. 238–249, 2018.
R. N. Afifuddin dan D. Nurjanah, “Sistem Rekomendasi Pemilihan Mata kuliah Peminatan Menggunakan Algoritma K- means dan Apriori (Studi Kasus: Jurusan S1 Teknik Informatika Fakultas Informatika),” E-Proceeding Eng., vol. 6, no. 1, hal. 2359–2367, 2019.
Sukamto, A. Fitriansyah, dan R. P. Pratama, “Sistem Pendukung Keputusan Penentuan Matakuliah Pilihan Menggunakan Metode TOPSIS (Studi Kasus : Prodi S1 Sistem Informasi FMIPA Universitas Riau ),” J. Teknol. Inf. Komun. Digit. Zo., vol. 11, no. 1, hal. 43–58, 2020.
L. Costaner, “Sistem Pengambilan Keputusan Mata Kuliah Yang Diminati Mahasiswa (Studi Kasus: Prodi Sistem Informasi Fakultas Teknik Dan Ilmu Komputer – UNISI),” J. Sist., vol. 4, no. 3, hal. 35–43, 2015.
A. P. Fadillah, “Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah (Studi Kasus Universitas XYZ),” J. Tek. Inform. dan Sist. Inf., vol. 1, no. 3, hal. 260–269, 2015.
A. A. G. P. Ajiwerdhi, M. W. A. Kesiman, dan I. M. A. Wirawan, “Pengembangan sistem pendukung keputusan berbasis mobile untuk pengisian Kartu Rencana Studi dengan Fuzzy Multi-Attribute Decision Making (FMADM) metode Simple Additive Weighting (SAW) di Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha,” J. Pendidik. Tek. Inform., vol. 1, no. 2, hal. 153–165, 2012.
A. R. Khoerullah, D. Nurjanah, dan A. Romadhony, “Sistem Rekomendasi Mata Kuliah Pilihan Menggunakan Association Rule dan Ant Colony Optimization ( Studi Kasus Mata Kuliah di Jurusan Teknik Informatika Universitas Telkom ),” E-Proceeding Eng., vol. 6, no. 2, hal. 9597–9617, 2019.
B. I. Saputra dan I. Sumadikarta, “Sistem Pendukung Keputusan Pemilihan Matakuliah untuk Penyusunan Formulir Rencana Studi (Studi Kasus: Kampus A Universitas Satya Negara Indonesia Program Studi Teknik Informatika),” J. Ilm. Fak. Tek. LIMIT’S, vol. 12, no. 1, hal. 27–44, 2016.
M. D. Irawan, “Sistem Pendukung Keputusan Menentukan Matakuliah Pilihan pada Kurikulum Berbasis KKNI Menggunakan Metode Fuzzy Sugeno,” J. Media Infotama, vol. 13, no. 1, hal. 27–35, 2017.
A. Z. Rakhman, H. N. Wulandari, G. Maheswara, dan S. Kusumadewi, “Fuzzy Inference System dengan Metode Tsukamoto sebagai Pemberi Saran Pemilihan Konsentrasi (Studi Kasus: Jurusan Teknik Informatika UII),” in Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2012, 2012, hal. 15–16.
R. H. M. Amin dan D. Nurjanah, “Sistem Rekomendasi Mata Kuliah Berbasis Ontologi Mata Kuliah dan User Model,” E-Proceeding Eng., vol. 6, no. 2, hal. 9585–9596, 2019.
I. Taufik, Y. A. Gerhana, A. I. Ramdani, dan M. Irfan, “Implementation K-nearest neighbour for student expertise recommendation system,” in 4th Annual Applied Science and Engineering Conference, 2019, hal. 1–5.
BAAK, “Pengisian KRS Online Semester Genap 2015/2016,” baak.budiluhur.ac.id, 2015. [Daring]. Tersedia pada: http://baak.budiluhur.ac.id/2015/11/pengisian-krs-online-semester-genap-20152016/.
A. Eko dan M. R. Ratih, “Penggunaan Algoritma Fp-Growth Untuk Menemukan Aturan Asosiasi Pada Data Transaksi Penjualan Obat Di Apotek ( Studi Kasus : Apotek Uad ),” J. Sarj. Tek. Inform., vol. 2, hal. 130–139, 2014.
S. Kurniawan, W. Gata, dan H. Wiyana, “Analisis Algoritma Fp-Growth Untuk Rekomendasi Produk Pada Data Retail Penjualan Produk Kosmetik ( Studi Kasus : Mt Shop Kelapa Gading ),” hal. 61–69, 2018.
J. Han dan M. Kamber, Data mining: Concepts and Techniques, 2nd editio. Elsevier, 2006.
A. Solichin, “Comparison of Decision Tree , Naïve Bayes and K- Nearest Neighbors for Predicting Thesis Graduation,” in The 6th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI 2019), 2019.
S. Lorena, W. Zarman, dan I. Hamidah, “Analisis Dan Penerapan Algoritma C4.5 Dalam Data mining Untuk Memprediksi Masa Studi Mahasiswa Berdasarkan Data Nilai Akademik,” Pros. Semin. Nas. Apl. Sains dan Teknol., no. November, hal. 263–272, 2014.
A. G. Novianti dan D. Prasetyo, “Penerapan algoritma k-nearest neighbor (k-nn) untuk prediksi waktu kelulusan mahasiswa,” in Seminar Nasional APTIKOM, 2017, hal. 108–113.
S. Salmu dan A. Solichin, “Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes : Studi Kasus UIN Syarif Hidayatullah Jakarta,” in Seminar Nasional Multidisiplin Ilmu (SENMI) 2017, 2017, hal. 701–709.
M. Ridwan, H. Suyono, dan M. Sarosa, “Penerapan Data mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Eeccis, vol. 7, no. 1, hal. 59–64, 2013.
F. Yunita, “Penerapan Data mining Menggunkan Algoritma K-Means Clustring Pada Penerimaan Mahasiswa Baru (Studi Kasus : Universitas Islam Indragiri),” J. Sist., vol. 7, no. 3, hal. 238–249, 2018.
R. N. Afifuddin dan D. Nurjanah, “Sistem Rekomendasi Pemilihan Mata kuliah Peminatan Menggunakan Algoritma K- means dan Apriori (Studi Kasus: Jurusan S1 Teknik Informatika Fakultas Informatika),” E-Proceeding Eng., vol. 6, no. 1, hal. 2359–2367, 2019.
Sukamto, A. Fitriansyah, dan R. P. Pratama, “Sistem Pendukung Keputusan Penentuan Matakuliah Pilihan Menggunakan Metode TOPSIS (Studi Kasus : Prodi S1 Sistem Informasi FMIPA Universitas Riau ),” J. Teknol. Inf. Komun. Digit. Zo., vol. 11, no. 1, hal. 43–58, 2020.
L. Costaner, “Sistem Pengambilan Keputusan Mata Kuliah Yang Diminati Mahasiswa (Studi Kasus: Prodi Sistem Informasi Fakultas Teknik Dan Ilmu Komputer – UNISI),” J. Sist., vol. 4, no. 3, hal. 35–43, 2015.
A. P. Fadillah, “Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah (Studi Kasus Universitas XYZ),” J. Tek. Inform. dan Sist. Inf., vol. 1, no. 3, hal. 260–269, 2015.
A. A. G. P. Ajiwerdhi, M. W. A. Kesiman, dan I. M. A. Wirawan, “Pengembangan sistem pendukung keputusan berbasis mobile untuk pengisian Kartu Rencana Studi dengan Fuzzy Multi-Attribute Decision Making (FMADM) metode Simple Additive Weighting (SAW) di Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha,” J. Pendidik. Tek. Inform., vol. 1, no. 2, hal. 153–165, 2012.
A. R. Khoerullah, D. Nurjanah, dan A. Romadhony, “Sistem Rekomendasi Mata Kuliah Pilihan Menggunakan Association Rule dan Ant Colony Optimization ( Studi Kasus Mata Kuliah di Jurusan Teknik Informatika Universitas Telkom ),” E-Proceeding Eng., vol. 6, no. 2, hal. 9597–9617, 2019.
B. I. Saputra dan I. Sumadikarta, “Sistem Pendukung Keputusan Pemilihan Matakuliah untuk Penyusunan Formulir Rencana Studi (Studi Kasus: Kampus A Universitas Satya Negara Indonesia Program Studi Teknik Informatika),” J. Ilm. Fak. Tek. LIMIT’S, vol. 12, no. 1, hal. 27–44, 2016.
M. D. Irawan, “Sistem Pendukung Keputusan Menentukan Matakuliah Pilihan pada Kurikulum Berbasis KKNI Menggunakan Metode Fuzzy Sugeno,” J. Media Infotama, vol. 13, no. 1, hal. 27–35, 2017.
A. Z. Rakhman, H. N. Wulandari, G. Maheswara, dan S. Kusumadewi, “Fuzzy Inference System dengan Metode Tsukamoto sebagai Pemberi Saran Pemilihan Konsentrasi (Studi Kasus: Jurusan Teknik Informatika UII),” in Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2012, 2012, hal. 15–16.
R. H. M. Amin dan D. Nurjanah, “Sistem Rekomendasi Mata Kuliah Berbasis Ontologi Mata Kuliah dan User Model,” E-Proceeding Eng., vol. 6, no. 2, hal. 9585–9596, 2019.
I. Taufik, Y. A. Gerhana, A. I. Ramdani, dan M. Irfan, “Implementation K-nearest neighbour for student expertise recommendation system,” in 4th Annual Applied Science and Engineering Conference, 2019, hal. 1–5.
BAAK, “Pengisian KRS Online Semester Genap 2015/2016,” baak.budiluhur.ac.id, 2015. [Daring]. Tersedia pada: http://baak.budiluhur.ac.id/2015/11/pengisian-krs-online-semester-genap-20152016/.
A. Eko dan M. R. Ratih, “Penggunaan Algoritma Fp-Growth Untuk Menemukan Aturan Asosiasi Pada Data Transaksi Penjualan Obat Di Apotek ( Studi Kasus : Apotek Uad ),” J. Sarj. Tek. Inform., vol. 2, hal. 130–139, 2014.
S. Kurniawan, W. Gata, dan H. Wiyana, “Analisis Algoritma Fp-Growth Untuk Rekomendasi Produk Pada Data Retail Penjualan Produk Kosmetik ( Studi Kasus : Mt Shop Kelapa Gading ),” hal. 61–69, 2018.
J. Han dan M. Kamber, Data mining: Concepts and Techniques, 2nd editio. Elsevier, 2006.
Downloads
Published
15-05-2022
How to Cite
[1]
Syahrul, A. and Solichin, A. 2022. Rekomendasi Pemilihan Mata Kuliah Dalam Pengisian Rencana Studi Mahasiswa dengan Penerapan Algoritma Apriori. Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer. 6, 1 (May 2022), 79–88. DOI:https://doi.org/10.31961/eltikom.v6i1.549.
Issue
Section
Articles
License
Copyright (c) 2022 Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer
This work is licensed under a Creative Commons Attribution-NoDerivatives 4.0 International License.
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
