IMPLEMENTASI DATA MINING UNTUK KLASIFIKASI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

Inna Alvi Nikmatun
Indra Waspada

Abstract


Akreditasi merupakan salah satu bentuk penilaian mutu dan kelayakan program studi di perguruan tinggi. Ketepatan waktu mahasiswa dalam menyelesaikan studi dan proporsi mahasiswa yang menyelesaikan studi dalam batas masa studi termasuk dalam elemen penilaian akreditasi. Hal tersebut menunjukkan diperlukan pemantauan terhadap masa studi mahasiswa. Rata-rata masa studi mahasiswa di Departemen Informatika Universitas Diponegoro masih di atas 4 tahun sehingga perlu dilakukan evaluasi dengan membangun aplikasi pengklasifikasian masa studi mahasiswa. Dengan mempertimbangkan keseimbangan data maka pengklasifikasian masa studi mahasiswa menggunakan kelas target masa studi <5 tahun dan >=5 tahun. Pada penelitian ini menggunakan data riwayat mahasiswa tahun angkatan 2007 sampai dengan 2011 yang telah lulus dengan jumlah data sebanyak 377 orang dengan 72 atribut nilai mata kuliah dan 1 kelas target berupa masa studi. Penelitian ini dilakukan dengan mengikuti tahap pengerjaan data mining yang mengacu pada proses knowledge discovery in database (KDD). Pengklasifikasian dilakukan dengan menggunakan algoritma K-Nearest Neighbor. Aplikasi data mining berhasil dibangun dengan hasil percobaan menunjukkan bahwa hasil klasifikasi masa studi terbaik diperoleh dengan memilih atribut dari semua mata kuliah pilihan dengan nilai akurasi 75.95%.


Keywords


mahasiswa; masa studi; KDD; k-nearest neighbor

Teks Lengkap:

PDF

Referensi


[1] BAN_PT, Akreditasi Program Studi Sarjana, Jakarta, 2008. [2] Nugroho, Y. S., 2014. Data Mining menggunakan Algoritma Naive Bayes untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian Nuswantoro. s.l.:s.n.[3] Novianti, A. G. & Prasetyo, D., 2017. Penerapan Algoritma K-nearest Neighbor(K-NN) untuk Prediksi Waktu Kelulusan Mahasiswa.[4] Adeniyi, D. A., Wei, Z. & Yongquan, Y., 2014. Automated web usage data mining and recommendation system using K-Nearest Neighbor(K-NN) classification method. [5] Jambekar, S., Nema, s. & Saquib, Z., 2018. Application of Data mining Techniques for Prediction of Crop Production in India. International Journal of Innovations & Advancement in Computer Science, 7(4).[6] Shafique, U. & Qaiser, H., 2014. A Comparative Study of Data Mining Process Models(KDD, CRISP-DM and SEMMA). International Journal of Innovation and Scientific Research, Volume 12, pp. 217-222.[7] Han, J., Kamber, M. & Pei, J., 2012. Data Mining Concepts and Techniques. Third ed. s.l.:s.n.[8] Rismawan, T., Irawan, A. W., Prabowo, W. & Kusumadewi, S., 2008. Aplikasi Pendukung Keputusan Berbasis Pocket PC Sebagai Penentu Status Gizi Menggunakan Metode K-NN(K-Nearest Neighbor). Teknoin, Volume 13, pp. 18-23.[9] Kohavi, R., 1995. A Study of Cross-Validation and Boostrap for Accuracy Estimation and Model Selection. [10] Zhang, Y. & Wang, S., 2015. Detection of Alzheimer's disease by displacement field and machine learning. PeerJ.[11] Zhou, H., Deng, Z., Xia, Y. & Fu, M., 2016. A new sampling method in particle filter based on Pearson correlation coefficient. [12] Sugiyono, 2007. Statistika Untuk Penelitian. Bandung: Alfabeta.[13] DIPONEGORO, U., 2017. PERATURAN AKADEMIK BIDANG PENDIDIKAN PROGRAM SARJANA UNIVERSITAS DIPONEGORO, s.l.: s.n.[14] Hendrawati, T., 2015. Kajian Metode Imputasi Dalam Menangani Missing Data. s.l., Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS.[15] Acuna, E. & Caroline, R., 2004. The treatment of missing values and its effect in the classifier accuracy.

BAN_PT, Akreditasi Program Studi Sarjana, Jakarta, 2008.

Nugroho, Y. S., 2014. Data Mining menggunakan Algoritma Naive Bayes untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian Nuswantoro. s.l.:s.n.

Novianti, A. G. & Prasetyo, D., 2017. Penerapan Algoritma K-nearest Neighbor(K-NN) untuk Prediksi Waktu Kelulusan Mahasiswa.

Adeniyi, D. A., Wei, Z. & Yongquan, Y., 2014. Automated web usage data mining and recommendation system using K-Nearest Neighbor(K-NN) classification method.

Jambekar, S., Nema, s. & Saquib, Z., 2018. Application of Data mining Techniques for Prediction of Crop Production in India. International Journal of Innovations & Advancement in Computer Science, 7(4).

Shafique, U. & Qaiser, H., 2014. A Comparative Study of Data Mining Process Models(KDD, CRISP-DM and SEMMA). International Journal of Innovation and Scientific Research, Volume 12, pp. 217-222.

Han, J., Kamber, M. & Pei, J., 2012. Data Mining Concepts and Techniques. Third ed. s.l.:s.n.

Rismawan, T., Irawan, A. W., Prabowo, W. & Kusumadewi, S., 2008. Aplikasi Pendukung Keputusan Berbasis Pocket PC Sebagai Penentu Status Gizi Menggunakan Metode K-NN(K-Nearest Neighbor). Teknoin, Volume 13, pp. 18-23.

Kohavi, R., 1995. A Study of Cross-Validation and Boostrap for Accuracy Estimation and Model Selection.

Zhang, Y. & Wang, S., 2015. Detection of Alzheimer's disease by displacement field and machine learning. PeerJ.

Zhou, H., Deng, Z., Xia, Y. & Fu, M., 2016. A new sampling method in particle filter based on Pearson correlation coefficient.

Sugiyono, 2007. Statistika Untuk Penelitian. Bandung: Alfabeta.

DIPONEGORO, U., 2017. PERATURAN AKADEMIK BIDANG PENDIDIKAN PROGRAM SARJANA UNIVERSITAS DIPONEGORO, s.l.: s.n.

Hendrawati, T., 2015. Kajian Metode Imputasi Dalam Menangani Missing Data. s.l., Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS.

Acuna, E. & Caroline, R., 2004. The treatment of missing values and its effect in the classifier accuracy.




DOI: https://doi.org/10.24176/simet.v10i2.2882

Article Metrics

Abstract views : 12| PDF views : 6

Refbacks

  • Saat ini tidak ada refbacks.


free hit counter View My Stats

Indexed by:

 

Flag Counter

Creative Commons License
Simetris : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer is licensed under a Creative Commons Attribution 4.0 International License.

Dedicated to: