Sistem Prediksi Jumlah Peserta Mata Kuliah Mahasiswa Informatika Universitas Tanjungpura Menggunakan Regresi Linier Berganda
DOI:
https://doi.org/10.26418/juara.v2i1.71853Keywords:
Prediksi, Regresi Linier Berganda, Jumlah Peserta Mata Kuliah, Jumlah Kelas, LIRSAbstract
Jumlah mahasiswa yang mengambil suatu mata kuliah dapat mengalami peningkatan dan dapat pula mengalami penurunan. Ketidakstabilan jumlah mahasiswa yang mengambil suatu mata kuliah ini menjadi suatu masalah yang dihadapi Jurusan Informatika Universitas Tanjungpura dalam menentukan jumlah kelas yang akan dibuka untuk perkuliahan. Sering terjadi pembukaan atau penutupan kelas saat proses pengisisan Lembar Isian Rencana Mahasiswa (LIRS) sebagai akibat dari jumlah kelas yang dibuka tidak sesuai dengan jumlah mahasiswa yang mengambil mata kuliah. Diperlukan sebuah sistem untuk menghasilkan prediksi jumlah peserta mata kuliah, sehingga dapat mengurangi kemungkinan pembukaan kelas baru dikarenakan peminatnya melebihi kapasitas kelas yang ada ataupun penutupan kelas karena kurangnya peminat pada suatu mata kuliah. Dalam pembuatan sistem tersebut diimplementasikan algoritma regresi linier berganda untuk melakukan prediksi jumlah mahasiswa yang akan mengambil kelas suatu mata kuliah pada semester selanjutnya. Algoritma regresi linier ini dipilih karena algoritma ini mampu membuat estimasi atau prediksi dengan memanfaatkan data-data lama mengenai jumlah mahasiswa yang mengambil mata kuliah, sehingga dapat dihasilkan sebuah pola hubungan antara atribut-atribut yang memengaruhi prediksi jumlah peserta mata kuliah. Atribut yang digunakan dalam membuat sistem prediksi ini yaitu jumlah peserta mata kuliah pada tahun sebelumnya, yaitu pada tahun akademik 2017/2018 ganjil hingga tahun akademik 2020/2021 genap dengan 48 mata kuliah wajib pada jurusan Informatika Universitas Tanjungpura. Hasil dari proses implementasi algoritma regresi linier berganda berupa prediksi jumlah mahasiswa yang mengambil suatu mata kuliah dan prediksi jumlah pembukaan kelas pada masing-masing mata kuliah dari hasil prediksi jumlah peserta mata kuliah yang dihasilkan menjadi keluaran sistem prediksi jumlah peserta mata kuliah yang dibuat. Algoritma regresi yang digunakan untuk pemodelan prediksi selanjutnya dievaluasi dan menghasilkan rata-rata eror yang cukup tinggi sebesar 28,8%.
References
N. R. Setyoningrum, P. J. Rahimma, S. T. Teknologi, I. Tanjungpinang, and K. Tanjungpinang, “Implementasi Algoritma Regresi Linear Dalam Sistem Prediksi Pendaftar Mahasiswa Baru Sekolah Tinggi Teknologi Indonesia Tanjungpinang,†Pros. Semin. Nas. Ilmu Sos. dan Teknol., no. 4, pp. 13–18, 2022, [Online]. Available: https://ejournal.upbatam.ac.id/index.php/prosiding/article/view/5200.
P. Purwadi, P. S. Ramadhan, and N. Safitri, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Deli Serdang,†J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 18, no. 1, p. 55, 2019, doi: 10.53513/jis.v18i1.104.
P. Kurniawan et al., “Prediksi Jumlah Penduduk Jakarta Selatan Menggunakan Metode Regresi Linear Berganda,†JUSTIN (Jurnal Sist. dan Teknol. Informasi), vol. 10, no. 4, pp. 518–523, 2022, doi: 10.26418/justin.v10i4.48331.
N. K. Arkarina, A. W. Widodo, and M. T. Furqon, “Implementasi Regresi Linier Berganda Untuk Prediksi Jumlah Peminat Mata Kuliah Pilihan,†J. Pengemb. Teknol. Inf. Dan Ilmu Komun., vol. 3, no. 11, pp. 10462–10467, 2019.
S. Rahayu, Y. MZ, J. E. Bororing, and R. Hadiyat, “Implementasi Metode K-Nearest Neighbor (K-NN) untuk Analisis Sentimen Kepuasan Pengguna Aplikasi Teknologi Finansial FLIP,†Edumatic J. Pendidik. Inform., vol. 6, no. 1, pp. 98–106, 2022, doi: 10.29408/edumatic.v6i1.5433.
A. Bode, “K-Nearest Neighbor Dengan Feature Selection Menggunakan Backward Elimination Untuk Prediksi Harga Komoditi Kopi Arabika,†Ilk. J. Ilm., vol. 9, no. 2, pp. 188–195, 2017, doi: 10.33096/ilkom.v9i2.139.188-195.
P. Meilina, “Penerapan Data Mining Dengan Metode Kalsifikasi Menggunakan,†Teknologi, vol. 7, no. March, pp. 10–20, 2017.
D. Alita and A. R. Isnain, “Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier,†J. Komputasi, vol. 8, no. 2, pp. 50–58, 2020, doi: 10.23960/komputasi.v8i2.2615.
H. Junaedi, H. Budianto, I. Maryati, and Y. Melani, “Data Transformation pada Data Mining,†Pros. Konf. Nas. Inov. dalam Desain dan Teknol., vol. 7, pp. 93–99, 2011, [Online]. Available: https://ideatech.stts.edu/proceeding2011/12-000113_INF Hartarto p93-99.pdf.
W. Musu, A. Ibrahim, and Heriadi, “Pengaruh Komposisi Data Training dan Testing terhadap Akurasi Algoritma C4.5,†Pros. Semin. Ilm. Sist. Inf. Dan Teknol. Inf., vol. X, no. 1, pp. 186–195, 2021.
M. T. Siregar, G. Made Arya Sasmita, and G. Agung Ayu Putri, “Perbandingan Analisis Metode Peramalan Jumlah Kasus Penyakit Menular di Kota Bandung (Studi Kasus: Dinas Kesehatan Kota Bandung),†J. Ilm. Teknol. dan Komput., vol. 3, no. 1, p. 6, 2022.
R. Indahwati, D. Kusnandar, and E. Sulistianingsih, “Metode Partial Least Squares Untuk Mengatasi Multikolinearitas Pada Model Regresi Linear Berganda,†Bimaster Bul. Ilm. Mat. Stat. dan Ter., vol. 3, no. 03, pp. 169–174, 2014, [Online]. Available: https://jurnal.untan.ac.id/index.php/jbmstr/article/view/7352.
Eni, “Pemodelan UML Sistem Informasi Monitoring Penjualan dan Stok Barang,†J. Khatulistiwa Inform., vol. IV, no. Mi, pp. 5–24, 2016.
T. Arianti, A. Fa’izi, S. Adam, and Mira Wulandari, “Perancangan Sistem Informasi Perpustakaan Menggunakan Diagram Uml (Unified Modelling Language),†J. Ilm. Komput. …, vol. 1, no. 1, pp. 19–25, 2022, [Online]. Available: https://journal.polita.ac.id/index.php/politati/article/view/110/88.
A. D. W. Sumari, M. B. Musthafa, Ngatmari, and D. R. H. Putra, “Perbandingan Kinerja Metode-Metode Prediksi pada Transaksi Dompet Digital di Masa Pandemi,†Rekayasa Sist. dan Teknol. Inf., vol. 4, no. 4, pp. 642–647, 2017.
Downloads
Published
Issue
Section
License
Copyright (c) 2023 JUARA (Jurnal Aplikasi dan Riset Informatika)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUARA by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
