DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA DENGAN METODE ALGORITMA K-NEAREST NEIGHBOR ( STUDI KASUS DI UNIVERSITAS

Aguswandi, Rizka (2019) DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA DENGAN METODE ALGORITMA K-NEAREST NEIGHBOR ( STUDI KASUS DI UNIVERSITAS. Masters thesis, Universitas Putra Indonesia "YPTK".

Preview	Text (abstrak) THESIS_Rizka Aguswandi_172321066_ABSTRAK.pdf Download (72kB) | Preview
Preview	Text (bab 1) THESIS_Rizka Aguswandi_172321066_BAB I.pdf Download (147kB) | Preview
Preview	Text (daftar pustaka) THESIS_Rizka Aguswandi_172321066_DAFTAR PUSTAKA.pdf Download (133kB) | Preview
	Text (full text) THESIS_Rizka Aguswandi_172321066_FULL TEXT.pdf Restricted to Repository staff only Download (2MB)

Abstract

Dengan menggunakan teknik data mining maka di perguruan tinggi dapat memanfaatkan data akademik mahasiswa yaitu Indeks Prestasi (IP) untuk memprediksi masa studi mahasiswa. diharapkan teknik data mining ini dapat digunakan oleh pihak akademik untuk mengevaluasi proses pembelajaran apakah sudah efektif. Data yang diolah dalam penelitian ini sebanyak 100 data yang bersumber dari Tumpukan data yang digunakan merupakan data akademik di Jurusan Fisika Universitas Andalas Padang Indonesia. Berdasarkan analisis terhadap Data, Klasifikasi ini menggunakan salah satu metode algoritma data mining yaitu k- Nearest Neighbor (k-NN). Algoritma k-NN bekerja berdasarkan jarak terpendek antara dua objek dengan menentukan nilai k. Nilai k merupakan parameter untuk menentukan jarak terdekat antara objek baru terhadap objek lama. Dalam teknik data mining ini terdiri dari data testing dan data training dengan inputan NIM dan nilai k. Nilai k yang terbaik, tergantung pada jumlah data yang digunakan. Ukuran nilai k yang besar untuk memprediksi masa studi mahasiswa belum tentu menjadi nilai k yang terbaik dengan tingkat keberhasilan yang tinggi begitupun juga sebaliknya.Hasil dari pengujian terhadap metode ini Pihak akademik dapat menentukan seberapa banyak mahasiswa yang akan lulus tepat pada waktunya berdasarkan hasil akurasi dengan k=5 adalah 77,19 % dan k=3 adalah 91,23 %. Kata Kunci: Data mining, Klasifikasi, Algoritma k-Nearest Neighbor, RapitMin

Actions (login required)

View Item