Prediksi Kelulusan Mahasiswa Dalam Memilih Program Magister Menggunakan Algoritma K-NN

Aldo Sabathos Mananta; Green Arther Sandag

doi:10.30591/smartcomp.v10i2.2488

Prediksi Kelulusan Mahasiswa Dalam Memilih Program Magister Menggunakan Algoritma K-NN

Aldo Sabathos Mananta, Green Arther Sandag

Abstract

Kinerja akademik siswa didasarkan pada berbagai faktor seperti variabel pribadi, sosial, psikologis, dan lingkungan lainnya. Banyaknya jumlah data yang dimiliki oleh pihak universitas mengenai mahasiswa lulusan mereka dapat membantu dalam proses pengambilan keputusan ke jenjang pendidikan yang lebih tinggi. Data akademik mahasiswa dapat diolah untuk membantu pengambilan keputusan dalam penentuan masuk ke jenjang perguruan tinggi selanjutnya. Untuk melakukan proses pengolahan data tersebut di butuhkan metode data mining yaitu klasifikasi. Aspek yang dilihat yaitu dari sisi accuracy, precision dan recall. Software yang digunakan untuk mengetahui kinerja dari algoritma tersebut adalah Rapid Miner Studio versi 9.2. Hasil pengujian menunjukkan bahwa algoritma K-NN dengan menggunakan independent test memiliki accuracy terbaik yaitu sebesar 96.25%, precision 98.08%, dan recall 70.00%. Sedangkan pada test yang menggunakan cross-validation, algoritma K-NN juga memiliki accuracy terbaik yaitu sebesar 91.88%, precision 81.29, dan recall 61.15%.

Kata kunci: Prediksi, Kelulusan Mahasiswa, K-NN

Full Text:

References

Nugroho, Y.S., “Data Mining Menggunakan Algoritma Naïve Bayes,” UDiNus Repository, pp. 1-11, 2014.

Ong, J.O., “Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University,” Jurnal Ilmiah Teknik Industri, vol. 12, no. 1, pp. 10-13, 2013.

Kesumawati, A., “Implementation Naïve Bayes Algorithm for Student Classification Based on Graduation Status,” International Journal of Applied Business and Information Systems, vol. 1, no. 2, pp. 6-12, 2017.

Bhardwaj, B. K. dan Pal, S. , “Data Mining: A prediction for performance improvement using classification,” International Journal of Computer Science and Information Security, vol. 9, no. 4, pp. 1-5, 2011.

Mokhtar, M., Nawang, H. dan Shamsuddin, S. N. W., “Analysis On Students Permormance Using Naive Bayes Classifier,” Journal of Theoretical and Applied Information Technology, vol. 95, no. 16, pp. 3993-4000, 2017.

Acharya, M. S., “Kaggle,” [Online]. Available: https://www.kaggle.com/mohansacharya/graduate-admissions. [Diakses 24 April 2020].

Kamagi, D. H. dan Hansun, S., “Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa,” ULTIMATICS, vol. VI, no. 1, pp. 15-20, 2014.

Hastuti, K., “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Mahasiwa Non Aktif,” Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012, pp. 241-249, 2012.

Pambudi, R.D dan Supianto, A. A., “Prediksi Kelulusan Mahasiswa Berdasarkan Kinerja Akademik Menggunakan Pendekatan Data Mining Pada Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Brawijaya,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer , vol. 3, no. 3, pp. 2194-2200, 2019.

Acharya M. S., “Kaggle,” [Online]. Available: https://www.kaggle.com/mohansacharya/graduate-admissions. [Diakses 24 April 2020].

“OpenML," [Online]. Available: https://www.openml.org/a/estimation-procedures/1. [Accessed 20 April 2020].

Imandoust, S. B. and Bolandraftar, M., "Application of K-Nearest Neighbor (KNN) Approach for Predicting Economic Events: Theoretical Background," S B Imandoust et al. Int. Journal of Engineering Research and Applications, vol. 3, no. 5, 2013.

Bramer, M., "Principles of data mining," Springer, 2007.

Liem, A. T, Sandag, G. A. Hwang, I. S and Nikoukar, A., "Delay analysis of dynamic bandwidth

allocation for triple-play-services in EPON," 2017.

Sui B., "Information Gain Feature Selection Based On Feature Interactions," 2013.

Rakhman, A. (2017). Prediksi Ketepatan Kelulusan Mahasiswa menggunakan Metode Decision Tree Berbasis Particle Swarm Optimation (PSO). Smart Comp: Jurnalnya Orang Pintar Komputer, 6(1), 193-197.

DOI: https://doi.org/10.30591/smartcomp.v10i2.2488