Abstract
The study of the classification of student graduation at a university aims to help the university understand the academic development of students and to be able to find solutions in improving the development of student graduation in a timely manner. The Naive Bayes method is a statistical classification method used to predict a student's graduation in this study. The classification accuracy can be improved by selecting the appropriate features. Particle Swarm Optimization is an evolutionary optimization method that can be used in feature selection to produce a better level of accuracy. The testing results of the alumni data using the Naive Bayes method that optimized with the Particle Swarm Optimization algorithm in selecting appropriate features, producing an accuracy value of 86%, 6% higher than the classification without feature selection using the Naive Bayes method.
Highlights
Studi tentang klasifikasi kelulusan mahasiswa di sebuah Perguruan Tinggi bertujuan untuk membantu pihak universitas memahami perkembangan akademik mahasiswa serta agar dapat mencari solusi dalam peningkatan perkembangan kelulusan mahasiswa secara tepat waktu
help the university understand the academic development of students
The classification accuracy can be improved by selecting the appropriate features
Summary
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 4 No 3 (2020) 469 – 475 metode C4.5 yang menghasilkan nilai akurasi sebesar menyelesaikan masalah optimasi yang terus menerus. Rumus untuk perhitungan perpindahan posisi dan Peningkatan akurasi dapat dilakukan dengan seleksi fitur kecepatan partikel : menurut [7] subset fitur yang dikembangkan dengan cara memilih kurang dari setengah atau mendekati 10% dari vi (t) = vi (t − 1) + c1 r1 [xPbesti − xi (t)]. Kinerja klasifikasi yang menghasilkan jauh lebih baik dari pada menggunakan semua fitur pada dataset. : posisi partikel ke-i pada iterasi t dengan jumlah fitur yang lebih kecil dan kinerja c dan c. : konstanta learning rate untuk kemampuan klasifikasi yang lebih tinggi dari pada menggunakan 1 individu (cognitive) dan pengaruh sosial semua fitur, PSO merupakan metode optimasi yang akan (group) digunakan untuk seleksi fitur. PSO dengan menggunakan nilai fitness untuk mengevaluasi setiap fitur. Swarm Optimization dengan seleksi fitur untuk mencapai nilai fitness target atau mencapai iterasi maksimum.
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callMore From: Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi)
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
