PREDIKSI KELULUSAN MAHASISWA DENGAN METODE K-NEAREST NEIGHBOR PADA JURUSAN SISTEM INFORMASI INSTITUT XYZ
Abstract
Angka kelulusan tepat waktu mahasiswa sangat penting untuk suatu perguruan tinggi. tingkat kelulusan merupakan indikator tingkat keberhasilan suatu perguruan tinggi dalam melaksanakan proses belajar mengajarnya. kelulusan mahasiswa merupakan salah satu instrumen untuk menentukan akreditasi suatu universitas. Terdapat dua poin profil lulusan yaitu persentase lulus tepat waktu dan DO(Drop Out). Metode yang digunakan adalah K-Nearest Neighbor (K-NN) metode ini merupakan metode yang digunakan untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dalam penelitian yang menggunakan (K-NN) untuk meramalkan waktu kelulusan mahasiswa medapatkan hasil bahwa pendekatan K-NN dalam penelitian ini menghasilkan nilai akurasi terbesar yaitu 95,15%.Hasilnya adalah pengujian dengan nilai K hingga 20 kali dari K = 5, K = 7, K = 11, K = 15 hingga K = 51 dengan menggunakan 144 data train mahasiswa sistem informasi ITATS yang telah lulus dari angkatan 2014 hingga angkatan 2017, lalu data testing di ujikan dengan data train yang telah ternormalisasi hingga pencarian ecludian distance dan penentuan K hingga melakukan pengujian pengulangan hingga 20 kali hasil prediksi nya ialah tidak ada perubahan nilai meski merubah nilai K tersebut.
Keywords
Full Text:
PDFReferences
Broto Legowo, M., & Indiarto, B. (2017). Model Sistem Penjaminan Mutu Berbasis Integrasi Standar Akreditasi BAN-PT dan ISO 9001:2008. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(2), 90. https://doi.org/10.29207/resti.v1i2.51.
Huda, N.M., 2010. Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa.
Ridwan, M., Suyono, H. & Sarosa, M., 2013. Penerapan Data Mining Untuk Evaluasi Kinerja.
Rohman, Abdul, 2015, Model Algoritma K-Nearest Neigbor (K-NN) Untuk Prediksi Kelulusan Mahasiswa.
Prasetyo, E., 2013. Konsep dan Aplikasi Menggunakan Matlab, Yogyakarta: Andi Offset
Gorunescu, F., 2011. Data Mining : Concepts, Models and Techniques, New York: Springer- Verlag.
Pregibon & Smyth, 2002. Data-Driven Evolution of Data Mining Algorithms, New York : ACM DL.
Steinbach, T.P. & Kumar, M., 2006. Introduction to Data Mining, New York: Pearson Education.
Sayad, S., 2010. K Nearest Neighbors. Available at: http://www.saedsayad.com/k_nearest_neighbors_reg.htm.
DOI: https://doi.org/10.31284/p.snestik.2023.4388
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 Oriene Sativa Disya Putri, Anggi Yhurinda Perdana Putri
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.