Implementasi Algoritma K-Nearest Neighbor Untuk Mengklasifikasi Masa Studi Mahasiswa Informatika Universitas Tanjungpura

Steven, Steven (0002) Implementasi Algoritma K-Nearest Neighbor Untuk Mengklasifikasi Masa Studi Mahasiswa Informatika Universitas Tanjungpura. Skripsi thesis, Universitas Tanjungpura.

	Text (Cover) Cover_D1041161017.pdf - Published Version Download (82kB)
	Text (Yuridis) Yuridis_D1041161017.pdf - Published Version Download (65kB)
	Text (Surat Pernyataan) SP_D1041161017.pdf - Published Version Download (20kB)
	Text (Kata Pengantar) Kapeng_D1041161017.pdf - Published Version Download (21kB)
	Text (Daftar Isi) Dafis_D1041161017.pdf - Published Version Download (115kB)
	Text (Daftar Lain) Daflain_D1041161017.pdf - Published Version Download (66kB)
	Text (Bab I) Bab1_D1041161017.pdf - Published Version Download (36kB)
	Text (Bab II) Bab2_D1041161017.pdf - Published Version Download (213kB)
	Text (Bab III) Bab3_D1041161017.pdf - Accepted Version Restricted to Repository staff only Download (2MB)
	Text (Bab IV) Bab4_D1041161017.pdf - Accepted Version Restricted to Repository staff only Download (7MB)
	Text (Bab V) Bab5_D1041161017.pdf - Accepted Version Restricted to Repository staff only Download (25kB)
	Text (Daftar Pustaka) Dapus_D1041161017.pdf - Published Version Download (40kB)

Abstract

Setiap perguruan tinggi memiliki waktu maksimal yang diberikan kepada mahasiswa dalam menyelesaikan studinya, jika mahasiswa tersebut sudah melewati batas waktu yang telah ditentukan maka mahasiswa tersebut akan dikeluarkan dari perguruan tinggi. Dengan memanfaatkan data akademik mahasiswa yang tersimpan dalam database perguruan tinggi, maka data akademik mahasiswa dapat digunakan untuk mengklasifikasi masa studi mahasiswa. Tujuan penelitian ini adalah untuk mengklasifikasi masa studi mahasiswa serta mengetahui performa algoritma yang digunakan dalam proses klasifikasi. Algoritma yang digunakan untuk penelitian ini adalah K-Nearest Neighbor dan Naive Bayes. Pada penelitian ini, algoritma klasifikasi akan ditambahkan Feature Selection Information Gain untuk melihat pengaruh akurasi pada algoritma. Data akademik akan diklasifikasikan kedalam 2 kelas, yaitu kelas lulus tepat waktu dan lulus tidak tepat waktu. Hasil evaluasi menunjukkan bahwa algoritma K-Nearest Neighbor dengan menambahkan Feature Selection Information Gain memberikan hasil performa klasifikasi yang paling baik dengan nilai akurasi sebesar 70.41% dan f1-score sebesar 80.68% dengan nilai k (jarak antar data)=17 pada evaluasi nilai akademik 4 semester dan nilai akurasi sebesar 70.14% dan f1-score sebesar 80.68% dengan nilai k (jarak antar data)=21 pada evaluasi nilai akademik 7 semester. Sedangkan dengan menggunakan algoritma Naive Bayes dengan menambahkan Feature Selection Information Gain mendapatkan nilai akurasi sebesar 67.95% dan f1-score sebesar 72.85.% pada evaluasi nilai akademik 4 semester dan nilai akurasi sebesar 69.32% dan f1-score sebesar 73.47% pada evaluasi nilai akademik 7 semester. Penggunaan Feature Selection Information Gain pada algoritma K-Nearest Neighbor memberikan nilai akurasi yang lebih baik dibandingkan algoritma Naive Bayes dengan perbandingan akurasi sebesar 2.46% dan f1-score sebesar 7.83% pada evaluasi nilai akademik 4 semester dan perbandingan akurasi sebesar 0.82% dan f1-score sebesar 7.21% pada evaluasi nilai akademik 7 semester. Setelah didapatkan performa algoritma terbaik yaitu algoritma K-Nearest Neighbor dengan menambahkan Feature Selection Information Gain, maka algoritma tersebut akan digunakan untuk mengklasifikasi masa studi mahasiswa Informatika Universitas Tanjungpura dengan sistem yang dibangun pada penelitian ini.

Actions (login required)

View Item