IMPLEMENTASI ALGORITMA DATA MINING C4.5 UNTUK MEMPREDIKSI KELULUSAN MAHASISWA
Alexander Simbolon, Gita Sastria
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
alexander.simbolon5853@student.unri.ac.id
ABSTRACT
Accumulated student’s data in University cause of admission of new student in every years can be managed to create usefull information. One of them is by using data mining. The purpose of this study is to implement the C4.5 algorithm model to predict student graduation. Student’s data such as ID number, Entry Path, Regional Origin, Gender, GPA, GPA from the first semester to the fifth semester and student graduation (is it on time or not) will be analyzed using the C4.5 algorithm method. . The results of data management are in the form of decision trees and rules that will be used as criteria for predicting student graduation. Using 201 training data and 148 target data that managed in prediction system, shows that the system goes well with the accuracy rate up to 80,58%. The accuracy level of the system's prediction will increase along with the increase in the amount of training data in the system. The more data used, the accuracy level will increace.
Keywords: data mining, student graduation, C4.5, riau university.
ABSTRAK
Penumpukan data mahasiswa di Universitas akibat penerimaan mahasiswa baru setiap tahunnya dapat dikelola untuk menghasilkan informasi yang bermanfaat. Salah satunya dengan menggunakan data mining. Tujuan dari penelitian ini adalah mengimplementasikan model algoritma C4.5 untuk memprediksi kelulusan mahasiswa.
Data mahasiswa yang terdiri dari NIM, Jalur masuk, Asal daerah, Jenis kelamin, IPK, IP dari semester pertama sampai semester kelima serta kelulusan mahasiswa (tepat atau tidaknya) akan dianalisa dengan menggunakan metode algoritma C4.5. Hasil dari pengelolaan data tersebut berupa pohon keputusan dan rule yang akan dijadikan patokan pada prediksi kelulusan mahasiswa. Dari total 201 data training dan 148 data target yang diolah pada sistem prediksi kelulusan mahasiswa, didapati sistem berjalan dengan baik dengan tingkat akurasi prediksi mencapai 80,58%. Tingkat akurasi ketepatan prediksi sistem akan meningkat seiring dengan bertambahnya jumlah data uji pada sistem. Semakin banyak data yang digunakan, tingkat akurasi akan semakin baik.
Kata kunci: data mining, kelulusan mahasiswa, C4.5, universitas riau.
PENDAHULUAN
Pertambahan data mahasiswa di universitas setiap tahunnya menyebabkan adanya penumpukan data. Penumpukan data mahasiswa terjadi dikarenakan kumpulan data-data yang ada masih kurang dieksplorasi (digali). Data-data mahasiswa yang menumpuk terbilang masih kurang dalam pemanfaatannya, padahal data merupakan aset yang berharga yang bisa dimanfaatkan atau bahkan digali untuk menghasilkan informasi yang berguna kedepannya (Fikry, 2019). Peluang akan data yang ada dapat digunakan melihat pola suatu kejadian. Salah satu contoh penerapannya adalah data mahasiswa yag dapat digali untuk melihat pola kelulusan mahasiswa.
Pada penelitian ini metode yang umum digunakan untuk mengeksplorasi data adalah dengan menggunakan Data Mining. Berdasarkan pengertian secara kharafiah, data mining yaitu penggalian data (Amalia,dkk, 2018). Data Mining adalah penggunaan atau pemanfaatan data menggunakan statistik, matematika, kecerdasan buatan dan machine learning untuk menghasilkan suatu informasi yang bermanfaat dan dapat digunakan dalam mendukung pengambilan suatu keputusan (Singh & Gupta, 2014).
Dengan menggunakan data mining, data induk mahasiswa akan digali sehingga dapat dilihat tingkat kelulusan mahasiswa ke depannya. Apakah mahasiswa dapat menyelesaikan studi tepat waktu atau tidak. Dengan adanya informasi semacam ini, dapat dilakukan penanganan dini sehingga ke depannya persentase kelulusan mahasiswa dapat ditingkatkan atau penanganan dini pada mahasiswa yang mungkin tidak bisa menyelesaikan studi dengan tepat waktu.
METODE PENELITIAN a. Tahap Pengumpulan Data
Metode pengumpulan dan pengambilan data yang akan dilakukan dalam penyelesaian tahapan ini antara lain dengan metode wawancara dan dokumentasi. Data dokumentasi yang digunakan diambil dari Dekanat FMIPA Universitas Riau bagian Akademik. Hasil yang diperoleh pada tahap pengambilan data berupa softcopy dari data mahasiswa Prodi Sistem Informasi angkatan 2014-2018 Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Riau.
Data akhir yang akan digunakan terdiri dari data latih dan data uji. Data latih merupakan data yang akan digunakan pada proses mining untuk menghasilkan rule dengan menggunakan data mahasiswa angkatan 2014-2016. Sedangkan data uji adalah data yang akan digunakan sebagai target pada proses prediksi kelulusan mahasiswa.
Data uji merupakan data mahasiswa yang belum lulus.
b. Analisa Data
Analisa data merupakan proses untuk menganalisa dan atau memproses data yang telah diperoleh menjadi suatu data baru yang sesuai dengan kebutuhan pengguna.
Teknik pengolahan data awal yang digunakan pada analisa data terdiri dua bagian, yaitu Cleaning (pembersihan pada data yang tidak diperlukan atau data duplikat), dan integrasi data.
c. Peralatan yang Digunakan
Peralatan yang digunakan dalam penelitian ini terbagi menjadi dua kategori, yaitu hardware dan software. Kebutuhan perangkat lunak yang digunakan dalam penelitian ini adalah sebagai berikut.
1. Microsoft windows 2010 sebagai notebook 2. Web browser
3. Microsoft Excel 2010 sebagai media penulisan dataset.
4. XAMPP
Kebutuhan perangkat keras yang digunakan adalah sebuah laptop dengan spesifikasi Processor Intel Core i3, Memori RAM empat GB, dan Harddisk minimal 320 GB.
d. Algoritma C4.5
Algoritma C4.5 adalah pengembangan dari algortima ID3 yang merupakan salah satu algortima yang digunakan dalam pembentukan pohon keputusan (Decision tree).
Proses yang dilakukan dalam decision tree adalah dengan mengubah bentuk data dari tabel menjadi model pohon, mengubah pohon menjadi rule dan menyederhanakan rule (Mardi, 2017). Berikut merupakan langkah-langkah atau proses membangun pohon keputusan pada algoritma C4.5 (Kamagi, 2014) :
1. Memilih atribut yang akan menjadi akar 2. Membuat cabang untuk setiap nilai 3. Membagi kasus dalam cabang
4. Ulangi proses setiap cabang sampai semua cabang memiliki kelas yang sama 5. Mengubah pohon keputusan menjadi rule
6. Membandingkan data target dengan rule untuk menghasilkan hasil prediksi kelulusan mahasiswa.
Untuk memilih atribut akar, dapat diperoleh dengan menghitung nilai Information Gain. Atribut yang memiliki Gain tertinggi akan menjadi simpul akar (Jefri, 2013). Rumus untuk memperoleh nilai Information Gain adalah :
Gain (S, A) = Entropy (S) - ∑
... (2.1) Dimana :
Gain : Ukuran mengenai seberapa berpengaruh atribut terhadap hasil pengukuran.
S : Himpunan kasus A : Atribut
Entropy : Nilai informasi yang menyatakan ukuran ketidakpastian dari atribut.
N : Jumlah partisi atribut A
|Si| : Jumlah kasus pada partisi ke-i
|S| : Jumlah kasus dalam S
Sebelum mencari nilai Gain, maka terlebih dahulu harus dicari nilai Entropi nya.
Entropi digunakan untuk menentukan seberapa informatif sebuah masukan atribut untuk menghasilkan sebuah atribut (Harryanto, 2017).
Rumus untuk mencari nilai Entropi dapat dilihat pada rumus 2.2 dibawah : Entropy (S) = ∑ ... (2.2) Keterangan :
Entropy : Nilai informasi yang menyatakan ukuran ketidakpastian dari atribut.
S : Himpunan (dataset) kasus k : Banyaknya partisi S
Pj : Probabilitas yang didapat dari Sum(Ya) dibagi total kasus.
e. Tahapan Perancangan Dan Pembuatan Sistem
Metode yang akan digunakan dalam perancangan dan pengembangan sistem prediksi kelulusan adalah metode Waterfall. Metode ini adalah metode atau langkah perancangan sistem yang dikerjakan secara urut dari awal hingga akhir (Wahid, 2020).
Langkah-langkah perancangan sistem dengan metode Waterfall adalah (Susanto, 2016):
1. Analisa kebutuhan, merupakan proses menganalisa untuk mengetahui dan memahami bagaimana informasi kebutuhan penggguna.
2. Desain sistem, merupakan tahapan untuk membuat gambaran mengenai sistem yang akan dibuat atau dikembangkan.
3. Pengembangan sistem, merupakan tahap pemrograman untuk membangun sistem.
4. Pengujian sistem, merupakan proses pemeriksaan dan pengujian sistem secara keseluruhan untuk mengidentifikasi adanya kegagalan dan kesalahan sistem.
5. Pemeliharaan sistem, tahapan untuk pemeliharaan sistem guna melakukan perbaikan atas kesalahan yang tidak terdeteksi pada tahap-tahap sebelumnya.
HASIL DAN PEMBAHASAN a. Tahap Pengumpulan Data
Pada tahapan pengumpulan data, total jumlah data mentah yang diperoleh sebanyak 382 data mahasiswa. Data yang diperoleh dari hasil wawancara dengan Bapak Nasruddin yang merupakan staff bidang kemahasiswaaan di Dekanat FMIPA Universitas Riau tersebut kemudian dikirimkan melalui email berupa data sheet excel.
Data yang diterima merupakan data diri dan data nilai mahasiswa angkatan 2014-2018. Data tersebut meliputi NIM, nama mahasiswa, jenis kelamin, kota asal, jalur masuk, IPK, IP semester pertama hingga IP semester kelima serta tanggal kelulusan mahasiswa yang menjadi acuan untuk menghitung lama studi mahasiswa dalam menyelesaikan studi di kampus, tepat atau tidaknya waktu mahasiswa tersebut dalam menyelesaikan studi.
b. Analisa Data
Langkah analisa data dimulai dengan proses pembersihan pada data atau atribut yang tidak diperlukan dan atau data yang duplikat. Setelah dilakukan pembersihan data, langkah selanjutnya pada proses analisis data adalah integrasi data yaitu proses menggabungkan data dari beberapa database dan menjadikan database baru.
Setelah proses integrasi data dilakukan maka dihasilkan data sebanyak 201 data mahasiswa angkatan 2014-2016 yang akan digunakan sebagai data latih dan data uji, dan sebanyak 148 data mahasiswa angkatan 2017-2018 yang akan digunakan sebagai data target.
c. Algoritma C4.5
Secara singkat, proses algoritma C4.5 terdiri dari proses mengubah data ke dalam bentuk pohon keputusan dan mengubah pohon keputusan menjadi rule. Rule yang dihasilkan akan menjadi patokan dalam proses klasifikasi maupun prediksi pada sistem (Ariadni dan Isye, 2015).
1. Memilih Atribut Yang Akan Menjadi Akar
Proses penentuan simpul akar pada algoritma C4.5 dapat dilihat pada bagan alur dibawah ini.
Gambar 4.1 Flowchart Untuk Menentukan Root
2. Membuat Cabang Untuk Setiap Nilai
Setelah didapati simpul akar, maka tahapan selanjutnya adalah membuat percabangan pada nilai atribut. Pada proses sebelumnya didapati bahwa atribut IP3 dijadikan sebagai simpul akar karena memiliki nilai Gain tertinggi. Atribut IP3 sendiri memiliki 3 nilai, yaitu A, B, dan C.
3. Membagi Kasus Dalam Cabang
Proses penentuan simpul pada percabangan terdapat pada gambar dibawah ini.
Gambar 4.2 Flowchart Penentuan Node Percabangan 4. Ulangi Proses Untuk Setiap Cabang
Proses perhitungan yang sama dilakukan pada masing-masing ruas dan percabangan pada pohon keputusan hingga semua cabang memiliki kelas yang sama.
Ketika semua ruas sudah dieksekusi untuk mencari percabangan pada setiap ruas, maka hasil dari pohon keputusan yang tercipta menggunakan 201 data mahasiswa sebagai data uji adalah sebagai berikut.
Gambar 4.8 Pohon Keputusan Final Yang Terbentuk
Pada gambar 4.8 diatas merupakan hasil pohon keputusan akhir (final) yang terbentuk setelah semua ruas pada percabangan selesai dieksekusi. IP3 merupakan atribut yang paling berpengaruh pada tingkat kelulusan mahasiswa sehingga atribut IP3 dijadikan sebagai node akar. Hasil dari pohon keputusan diatas kemudian nantinya akan dijadikan rule sebagai acuan pada prediksi kelulusan mahasiswa.
5. Pembentukan Rule
Setelah proses mining selesai dilakukan maka akan terbentuk pohon keputusan.
Pohon keputusan kemudian diubah menjadi rule. Rule menjadi patokan atau acuan pada prediksi kelulusan mahasiswa. Adapun proses pembentukan rule dari pohon keputusan dilakukan dengan mengubah pohon keputusan kedalam bentuk kondisi IF.
Dari pohon keputusan pada gambar 4.2, beberapa rule yang tercipta antara lain : 1. IF IP3 = C, IP4 = A, Jalur Masuk = SNMPTN, Jenis Kelamin = Laki-laki, Then
Kelulusan = Tepat Waktu.
2. IF IP3 = C, IP4 = A, Jalur Masuk = SNMPTN, Jenis Kelamin = Perempuan, Then Kelulusan = Terlambat.
3. IF IP3 = C, Jalur Masuk = PBUD then Kelulusan = Terlambat.
4. IF IP3 = A, IPK = B then Kelulusan = Terlambat.
5. IF IP3 = B, IPK = B, IP4 = B then Kelulusan = Terlambat.
6. IF IP3 = B, IPK = B, IP4 = C then Kelulusan = Terlambat.
7. IF IP3 = B, IPK = B, IP4 = A then Kelulusan = Tepat Waktu.
6. Penentu Keputusan
Flowchart penentu keputusan tentang prediksi kelulusan mahasiswa dijelaskan pada gambar berikut.
Gambar 4.3 Penentu Keputusan
Berdasarkan gambar diatas, dijelaskan bahwa proses penentu keputusan pada algoritma dibuat berdasarkan kondisi atau rule yang tercipta dari pohon keputusan.
Ketika data uji dimasukkan ke dalam sistem, sistem akan membaca atribut dari data target. Kemudian, sistem akan mencari dan mencocokkan data target dengan rule atau kondisi yang sesuai. Adapun untuk keputusan dari sistem terbagi dua, yaitu apakah mahasiswa dapat menyelesaikan perkuliahan dengan tepat waktu atau tidak.
d. Perancangan Sistem
Perancangan sebuah sistem merupakan sebuah gambaran atau blueprint tentang bagaimana sebuah sistem akan bekerja. Pada perancangan sistem, salah satunya dapat menggunakan UML, yaitu sarana untuk menggambarkan rancagan sistem yang dibangun dalam bentuk diagram. Diagram yang akan dibuat adalah Use Case Diagram, Clas Diagram, dan Activity Diagram.
1. Use Case Diagram
Use Case pada sistem prediksi kelulusan mahasiswa dapat dilihat pada gambar dibawah ini.
Gambar 4.4 Use Case Diagram
Berdasarkan gambar, aktor yang terlibat pada sistem adalah Admin yang mengelola sistem. Admin diharuskan Login terlebih dahulu sebelum masuk dan melihat/mengelola sistem.
2. Class Diagram
Class Diagram pada sistem prediksi kelulusan mahasiswa dijelaskan pada gambar 4.5 dibawah ini.
Gambar 4.5 Class Diagram
Dari gambar diatas, terdapat beberapa class yang dibagi dari sistem. Diantaranya ada Admin, Prediksi, Data Training, dan Rule. Class admin dapat mengelola Data Training dengan hubungan one-to-many. Dan dari data latih ke Rule memiliki hubungan many-to-many. Class prediksi memiliki hubungan relasi dengan kelas admin dan rule dimana satu admin dapat melakukan banyak prediksi dan satu rule menghasilkan banyak banyak prediksi.
3. Activity Diagram
3.1 Activity Diagram Mengelola Data Training
Activity Diagram untuk mengelola Data Training dapat dilihat pada gambar 4.6 dibawah ini:
Gambar 4.6 Activity Diagram Mengelola Data Training
Alur aktifitas untuk mengelola Data Training dimulai saat pengguna sudah berada di dalam halaman utama. Pada halaman utama, pengguna memilih menu data mahasiswa, maka pengguna akan dibawa ke dalam menu data mahasiswa. Pada menu ini, pengguna dapat mengelola data mulai dari menambah data, mengubah data dan menghapus data. Setelah perubahan dilakukan maka data akan divalidasi, ketika data sudah sesuai, maka data akan disimpan ke dalam database. Dan pengguna kembali ke halaman data mahasiswa.
3.2 Activity Diagram Perhitungan C4.5
Activity Diagram untuk perhitungan C4.5 dapat dilihat pada gambar 4.7 dibawah ini:
Gambar 4.7 Activity Diagram Perhitungan C4.5
Berdasarkan gambar 4.7 diatas, kondisi awal dari alur aktifitas perhitungan C4.5 adalah pada halaman menu utama. Pada menu utama, pengguna memilih menu C4.5, dan sistem akan membawa pengguna masuk ke dalam menu C4.5. Untuk memulai proses perhitungan C4.5, pengguna akan memilih menu Proses Mining yang kemudian sistem akan memulai perhitungan C4.5 untuk menghasilkan pohon keputusan dan rule.
Hasil dari perhitungan akan disimpan ke database. Ketika perhitungan selesai, pengguna mengklik tombol selesai, sistem akan menampilkan hasil perhitungan C4.5.
3.3 Activity Diagram Prediksi Kelulusan
Alur untuk memprediksi kelulusan dapat dilihat pada gambar 4.8 dibawah ini:
Gambar 4.8 Activity Diagram Prediksi Kelulusan
Berdasarkan gambar 4.8 diatas, proses prediksi kelulusan mahasiswa dimulai dengan kondisi awal pada menu utama. Pada menu utama, pengguna memilih menu Penentu keputusan. Pengguna akan masuk pada menu penentu keputusan. Pada menu penentu keputusan, pengguna akan memasukkan data mahasiswa yang akan diprediksi lalu memilih atau mengklik tombol Input, kemudian sistem akan memproses data.
Sistem akan mengakses data rule yang ada di database lalu membandingkannya dengan data target yang diprediksi. Hasil dari prediksi dilihat dari Rule yang paling sesuai.
Kemudian data hasil prediksi akan dimasukkan kedalam database dan ditampilkan dalam bentuk tabel.
e. Pengujian Sistem
Metode pengujian sistem yang dirancang menggunakan metode Black Box.
Pengujian dengan metode Black Box merupakan metode pengujian sistem dilakukan untuk antarmuka pada sistem yang telah dibuat untuk melihat fungsi-fungsi pada sistem apakah berjalan sesuai dengan fungsionalitasnya atau tidak. Dan apakah sistem berjalan sesuai dengan yang diinginkan atau tidak.
Pada tabel dibawah akan dipaparkan secara rinci mengenai hasil pengujian pada sistem prediksi kelulusan mahasiswa yang telah dibuat.
Tabel 4.1 Hasil Pengujian Dengan Metode Black Box No Deskripsi
Pengujian
Prosedur Pengujian Hasil yang Diharapkan
Kriteria Evaluasi Hasil Berhasil Tidak
Berhasil
1 Login
Membuka sistem prediksi kelulusan mahasiswa menggunakan Username dan Password lalu klik tombol Login.
Admin dapat masuk ke dalam sistem prediksi kelulusan
mahasiswa.
Ѵ
2 Menu Data Mahasiswa
Mengklik Menu Data Mahasiswa pada halaman utama sistem.
Admin masuk ke dalam halaman data mahasiswa.
Dan menampilkan data mahasiswa
Ѵ
3 Menu C4.5 Pada halaman utama, admin memilih menu C4.5.
Admin berhasil masuk ke dalam menu C4.5.
Ѵ
4 Proses mining
Pada menu C4.5, admin mengklik proses mining lalu sistem akan memproses mining untuk menghasilkan pohon keputusan dan rule.
Sistem berjalan dan melakukan
perhitungan
entropy pada data
latih dan
menghasilkan pohon keputusan dan rule.
Ѵ
5 Pohon Keputusan
Pada menu C4.5, admin mengklik pilihan menu C4.5.
Sistem
menampilkan hasil pohon keputusan dan rule yang telah dibuat pada proses mining.
Ѵ
6 Menu
Kinerja
Pada halaman utama, admin mengklik menu Kinerja.
Admin dibawa ke
dalam menu
kinerja.
Ѵ
7 Kinerja algoritma
Pada halaman kinerja, admin mengklik proses agar proses penilaian kinerja algoritma dikerjakan oleh sistem.
Sistem melakukan proses penilaian kinerja algoritma dan menampilkan hasil kinerja algoritma pada admin.
Ѵ
8 Menu
penentu keputusan
Pada halaman utama, admin mengklik menu Penentu keputusan.
Menu penentu keputusan
ditampilkan pada admin.
Ѵ
9 Prediksi kelulusan
Pada menu keputusan, admin menambahkan data mahasiswa yang ingin diprediksi.
Sistem mengolah data target dan menampilkan hasil prediksi kelulusan mahasiswa.
Ѵ
KESIMPULAN
Berdasarkan hasil penelitian ini dapat disimpulkan beberapa hal, yaitu:
1. Sistem prediksi kelulusan mahasiswa dengan menggunakan metode algoritma C4.5 telah berhasil dirancang dan dibuat. Sistem ini dapat memberikan informasi mengenai apakah mahasiswa dapat menyelesaikan studi tepat waktu atau tidak.
2. Atribut Indeks Prestasi (IP) dan atribut Indeks Prestasi Kumulatif (IPK) menjadi atribut yang paling mempengaruhi kelulusan mahasiswa.
3. Algoritma C4.5 dapat digunakan sebagai metode pengambilan keputusan untuk memprediksi kelulusan mahsiswa. Dimana dari 201 data latih yang digunakan, tingkat akurasi prediksi mencapai 80,58%.
4. Tingkat akurasi ketepatan prediksi kelulusan mahasiswa akan semakin tinggi jika data yang digunakan semakin banyak. Sebaliknya, semakin sedikit data yang digunakan, tingkat akurasi ketepatan semakin rendah.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada bapak Gita Sastria, S.T., M.I.T yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini sehingga penulisan karya ilmiah ini dapat diselesaikan.
DAFTAR PUSTAKA
Amalia, A. E., & Naf’an, M. Z. (2017). Implementasi Algoritma Id3 Untuk Klasifikasi Performansi Mahasiswa (Studi Kasus St3 Telkom Purwokerto).
Semnasteknomedia Online, 5(1), 2-1.
Ariadni, Ratih, and Isye Arieshanti. 2015. Implementasi Metode Pohon Keputusan Untuk Klasifikasi Data Dengan Nilai Fitur Yang Tidak Pasti. ITS. Surabaya.
Fikry, M. (2019). Aplikasi Java Kriptografi Menggunakan Algoritma Vigenere.
TECHSI-Jurnal Teknik Informatika, 8(1), 1-9.
Harryanto, F. F., & Hansun, S. 2017. Penerapan Algoritma C4. 5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 3(2), 95-103.
Jefri. 2013. Implementasi Algoritma C4.5 dalam Aplikasi Untuk Memprediksi Jumlah Mahasiswa Yang Mengulang Mata Kuliah Di STMIK AMIKOM Yogyakarta.
Kamagi, D. H. 2014. Implementasi data mining dengan algoritma c4. 5 untuk memprediksi tingkat kelulusan mahasiswa (studi kasus: program studi teknik informatika universitas multimedia nusantara). Doctoral dissertation, Universitas Multimedia Nusantara.
Mardi, Y. 2017. Data Mining: Klasifikasi Menggunakan Algoritma C4. 5. Jurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika, 2(2), 213-219.
Singh, Sonia dan Priyanka Gupta. 2014. Comperative Study ID3, CART And C4.5 Decision Tree Algorithm : A Survey. Journal Of Advanced Information Science And Technology Vol. 27, NO. 27. University Of Delphi.
Susanto Anna Dara Andriana, R. (2016). Perbandingan model waterfall dan prototyping untuk pengembangan sistem informasi. Majalah Ilmiah UNIKOM.
Wahid, A. A. (2020). Analisis Metode Waterfall Untuk Pengembangan Sistem Informasi. J. Ilmu-ilmu Inform. dan Manaj. STMIK, no. November, 1-5.
