PENERAPAN K-OPTIMAL PADA ALGORITMA KNN UNTUK PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA PROGRAM STUDI ILMU KOMPUTER FMIPA UNLAM BERDASARKAN IP SAMPAI DENGAN SEMESTER 4
Abstract
Keywords: kNN, k-Optimal, Classification, Data mining, k-Fold Cross Validation method
Tumpukan data pada database sistem informasi akademik Program Studi Ilmu Komputer FMIPA Unlam belum dimanfaatkan secara maksimal, padahal dari data tersebut dapat memberikan sebuah informasi baru yang belum diketahui sebelumnya. Teknik data mining dapat digunakan untuk memprediksi kelulusan tepat waktu mahasiswa. Penelitian menggunakan metode k-Nearest Nieghbor yang merupakan sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data training yang jaraknya paling dekat dengan objek tersebut. Pemilihan nilai k pada algoritma kNN menjadi hal yang penting karena akan mempengaruhi kinerja dari algoritma kNN, oleh karena itu perlu diketahui berapa nilai k dan tingkat akurasinya. Metode k-Fold Cross Validation dan Uji Akurasi digunakan untuk mengetahui nilai k-Optimal. Hasil yang didapat adalah nilai k=5 dengan tingkat akurasi sebesar 80.00% yang ditetapkan sebagai k-Optimal. Nilai k=5 diterapkan pada algoritma kNN untuk prediksi kelulusan tepat waktu mahasiswa berdasarkan IP sampai dengan semester 4.
Kata Kunci : kNN, k-Optimal, Klasifikasi, Data mining, Sistem Informasi Akademik, Metode k-Fold Cross Validation
Full Text:
PDFReferences
Banjarsari, Mutiara A. 2015. Pencarian k-Optimal pada Algoritma kNN untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Berdasarkan IP Sampai Dengan Semester 4. FMIPA Unlam : Banjarbaru
Darmawan, Astrid. 2012. Pembuatan Aplikasi Data mining untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighborhood. Fakultas Teknik Dan Ilmu Komputer Universitas Komputer Indonesia : Bandung
Fu L. 1994. Neural Network In Computer Intelligence. Singapura : McGraw Hill.
Han, J.,&Kamber, M. 2006. Data mining Concept and Tehniques. San Fransisco : Morgan Kauffman.
Hastie Trevor, Tibshirani Robert, dan Jerome Friedman. 2008. The Elements of Statistical Learning Data Mining, Inference, and Prediction. California : Springer.
Larose, D. T. 2005. Discovering Knowledge in Data. New Jersey : John Willey & Sons, Inc.
Liu, B., 2007 . Web Data mining: Exploring Hyperlinks, Contents, dan Usage Data. Berlin: Springer.
Moertini, V. S. 2002. Data mining sebagai solusi bisnis. Integral, vol 7 no.1.
Pandie, Emerensye S. Y. 2012. Implementasi Algoritma Data mining K-Nearest Neighbour (KNN) Dalam Pengambilan Keputusan Pengajuan Kredit. Jurusan Ilmu Komputer, Fakultas Sains dan Teknik, Universitas Nusa Cendana : Kupang
Rizal, Azwar. 2013. Perbandingan Performa antara Imputasi Metode Konvensional dan Imputasi dengan Algoritma Mutual Nearest Neighbor. Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember. Surabaya.
Rodiyansyah, S. Fajar dan Edi Winarko. 2013. Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification. Yogyakarta : Universitas Pendidikan Indonesia.
Wu X, Kumar V. 2009. The Top Ten Algorithms in Data Mining. New York: CRC Press.
DOI: http://dx.doi.org/10.20527/klik.v2i2.26
Copyright (c) 2016 KLIK - JURNAL ILMIAH ILMU KOMPUTER
This work is licensed under a Creative Commons Attribution 4.0 International License. View My Stats