Perbandingan Algoritma K-Nearest Neighbor (K-Nn) Dan Id3 Untuk Prediksi Kelulusan Mahasiswa Fakultas Teknik Universitas Muhammadiyah Jember
Abstract
Mahasiswa adalah elit masyarakat, dan mereka memiliki karakteristik intelektual yang kompleks. Menurut BANPT 2011 (Badan Akreditasi Nasional Perguruan Tinggi), salah satu aspek evaluasi akreditasi ialah mahasiswa dan lulusan. Dengan demikian, tingkat kelulusan dan jumlah siswa akan mempengaruhi proses sertifikasi yang dilakukan oleh pemerintah. Salah satu cara untuk mencapai tingkat kualitas tertinggi dalam sistem pendidikan tinggi adalah dengan menggali pengetahuan dari data di bidang pendidikan sebagai atribut pembelajaran utama yang mempengaruhi kinerja siswa. Dalam penelitian ini metode klasifikasinya adalah perbandingan antara algoritma K-Nearest Neighbor (K-NN) dan ID3. Hasil yang didapat dari penelitian ini adalah pada algoritma K-Nearest Neighbor (K-NN) dengan Accuracy sebesar 91.66%, Sensitivity sebesar 96.66% dan Precision sebesar 87.87%. Pada algoritma ID3 (Iterative Dichotomiser 3) didapatkan hasil Accuracy sebesar 93.33%, Sensitivity sebesar 93.93% dan Precision sebesar 93.93%.
Kata Kunci: Mahasiswa, K-Nearest Neighbor, ID3Full Text:
PDFReferences
Peraturan pemerintah Republik Indonesia No 30 tahun 1990, pasal 1(1) tentang pendidikan tinggi
Universitas Muhammadiyah Jember. 2017. Buku pedoman Akademik Universitas Mhammadiyah Jember. JEmber. Universitas Muhammadiyah Jember
Bustami, B. (2014). Penerapan Algoritma Naïve bayes Untuk Mengklasifikasi Data Nasabah Asuransi. Jurnal Informatika, 8(1)
Saxena, K., Khan, Z., & Singh, S. (2014). Diagnosis of Diabetes Mellitus using K Nearest Neighbor Algorithm. International Journal of Computer Science Trends and Technology (IJCST).
Abu Tair Mohammed M., El-Halees Alaa M. Mining, Educational Data to Improve Students’ Performance: A Case Study, 2012, International Journal of Information and Communication Technology Research, Volume 2 No. 2, pp 140-146.
Muarif, Khoirul. (2013).Komparasi Pemodelan Data Menggunakan C4.5 Dan C4.5 Berbasis Particle Swarm Optimization Untuk Memprediksi Kelulusan Mahasiswa. Semarang :Universitas Dian Nuswantoro.a
Aggarwal, C. C. (2015). Data Mining. New York: Springer.
Muzakir, A., & Wulandari, R. A. (2016). Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree. Scientific Journal of Informatics, 3(1),19–26. wihttps://doi.org/10.15294/sji.v3i1.4610
Rohman, Abdul. 2011. Model algoritma K-Nearest Neighbor (KNN) untuk prediksi kelulusan mahasiswa. Fakultas Teknik Universitas Pandanaran Semarang.
Himawan, Danny. 2014. Aplikasi Data Mining Menggunakan Algoritma ID3 untuk Mengklasifikasi Kelulusan Mahasiswa Pada Universitas Dian Nuswantoro Semarang.
Ardiyansyah, dkk. 2018. Analisis Perbandingan Algoritma Klasifikasi Data Mining untuk Blogger dengan Rapid Miner.
M, Ghada, dkk. 2015. An Experimental Study of Classification Algorithms for Terrorism Prediction.
Aguswira, Budiutama and Susan Dian, Purnamasari (2019) Sistem Informasi Georafis Pemetaan Perguruan Tinggi Di Kota Palembang. Diploma thesis, Universitas Bina Darma.
Witten, Ian H, Frank, Eibe, & Hal, M.A. 2011. Data Mining: Pratical Machine Learning Tools and Techniques, Third Edition. Burlington: Morgan Kaufmann Publishers.
Adinugroho, S. & Sari, Y., 2018. Implementasi Data Mining Menggunakan WEKA. Malang: UB Press.
Badu, Z.S., 2016. Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Dana Desa.” (November).
Kartika, Irjaya, J., Santoso, E. dan Sutrisno, 2017. Penentuan siswa berprestasi menggunakan metode K-Nearest Neighbor dan Weighted Product (Studi Kasus : SMP Negeri 3 Mejayan).” 1(5).
Haryanto,2016. Pemograman web. Jakarta:Informatika
Han, J, Kamber, M, & Pei, J. 2012. Data Mining: Concept and Techniques, Third Edition. Waltham: Morgan Kaufmann Publishers.
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.