PENERAPAN ALGORITMA ROUGH SET DALAM MEMPREDIKSI HASIL UJIAN KOMPETENSI KEBIDANAN
DOI:
https://doi.org/10.36085/jsai.v4i2.1504Abstract
Berdasarkan Peraturan Bersama antara Kementerian Pendidikandan Kementrian Kesehatan Tentang Ujian Kompetensi Tahun 2013 No. 36/2013 & No.I/Iv/Pb/2013, maka seluruh Perguruan Tinggi Kesehatan di Seluruh Indonesia wajib untuk melaksanakan Ujian Kompetensi sebagai syarat utama mendapatkan gelar bagi mahasiswa kesehatan dalam menyelesaikan studinya. Di Akbid Dehasen Bengkulu, Lulus Ujian Kompetensi juga merupakan syarat utama untuk meraih gelar Amd.Keb. Oleh sebab itu mahasiswa Kebidanan Dehasen Bengkulu diwajibkan mengikuti Ujian Kompetensi. Sebelum melakukan Ujian Kompetensi, dosen ataupun pihak kampus ingin mengetahui prediksi jumlah mahasiswa yang lolos dalam melaksanakan Ujian Kompetensi. Adapun Algoritma dalam memprediksi hasil kelulusan ini menggunakanAlgoritma Rough Set. Penelitian ini dilakukan dengan mengamati beberapa variabel penelitian yang sering dipertimbangkan oleh perguruan tinggi kebidanan khususnya bagian akademik dalam memprediksi hasil ujian kompetensi, yaitu 7 variabel nilai dalam ujian kompetensi kebidanan yaitu nilai dengan tipe soal tentang Ibu Hamil, Ibu Bersalin, Ibu Nifas, BBL, KB, Kespro, dan Patologi. PadaAlgoritma Rough Set Variabel nilai hasil ujian kompetensi diakumulasikan menjadi sebuah variabel nilai dan diklasifikasikan pada kelas-kelas yaitu kelas jumlah muncul dan keterangan kelulusan. Hasil penelitian ini adalah berupa sebuah knowledge dalam memprediksi hasil ujian kompetensi kebidanaan dengan mengimplementasikanAlgoritma Rough Set pada perangkat lunak Rosetta. Dari hasil penerapanAlgoritma Rough Set dalam memprediksi hasil ujian kompetensi kebidanan, dapat di simpulkan bahwaAlgoritma Rough Set efektif dan efisien dalam menentukan hasil yang akurat sesuai dengan data aktual untuk sebuah acuan prediksi hasil kelulusan ujian kompetensi kebidanan di Akbid Dehasen Bengkulu.References
Duntsch, et al. (2015). Rought Set Clustering. Technical Report# CS-15-02. 1.
Donny dan Imam. (2013). Aplikasi Association Rule Mining untuk Menemukan Pola pada Data Nilai mahasiswa Matematika ITS. Sains dan seni POMITS. Vol. 1. No. 1. 1.
Fadlina, (2014). Data Mining untuk Analisa Tingkat Kejahatan Jalanan dengan Algoritma Association RuleAlgoritma Apriori. INTI. Vol. 3. No. 1. 145.
Ikhwan, Ali. (2015). Penerapan Data Mining Dengan Algoritma FP-Growth untuk Mendukung Strategi promosi Pendidikan. Universitas Putra Indonesia “YPTKâ€. Tesis.
Ketan, et al. (2012). Frequent Pattern Mining Usingh CATSIM Tree. IJCSE. Vol. 4. No. 9. 1594.
Mabrur dan Lubis. (2012). Penerapan Data Mining untuk Memprediksi Kriteria Nasabah Kredit. KOMPUTA. Vol. 1. No. 1. 5-6.
Syofiana, Rica. (2014). ImplementasiAlgoritma Rough Set untuk Menentukan Jumlah Persediaan Obat pada Apotik (Studi kasus : RSU Kolonel Abujani Melangin). UPI YPTK Padang. Tesis
Susanto, Sani dan Suryadi, Dedy. (2010). Pengantar Data Mining (Menggali Pengetahuan Dari Bongkahan Data). Penerbit ANDI : Yogyakarta
Tripathy, et al. (2011). A Framework For Intelligent Medical Diagnosis Using Rough Set With Formal Concept Analysis. IJAIA. Vol. 2, No. 2. 45-46.
T.Sutojo, et al. (2011). Kecerdasan Buatan. CV. ANDI OFFSET : Yogyakarta
Downloads
Published
Issue
Section
License
Copyright (c) 2021 JSAI (Journal Scientific and Applied Informatics)

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.