MODEL PREDIKSI KELULUSAN TEPAT WAKTU DENGAN METODE FUZZY C-MEANS DAN K-NEAREST NEIGHBORS MENGGUNAKAN DATA REGISTRASI MAHASISWA

Silvana Puspa Nabila, Nurissaidah Ulinnuha, Ahmad Yusuf

Abstract


Kegiatan Penerimaan Mahasiswa Baru di tingkat perguruan tinggi setiap tahunnya merupakan suatu kegiatan yang wajib dilaksanakan untuk membuka awal tahun ajaran baru, salah satunya yakni di kampus Universitas Islam Negeri Sunan Ampel Surabaya (UINSA). Namun permasalahannya yakni, tidak semua mahasiswa dapat lulus secara tepat waktu sesuai dengan waktu tempuh kurikulum yang telah disusun, hal ini akan berpengaruh pada akreditasi perguruan tinggi. Untuk meminimalisir hal tersebut maka, pada penelitian ini akan diusulkan model prediksi dengan teknik data mining dan machine learning guna membantu memperbaiki konsep registrasi pada mahasiswa baru. Yakni dengan membuat model prediksi menggunakan metode FCM-KNN, konsep metode ini adalah pada tahap pengelompokkan dan pemberian label data digunakan FCM kemudian pada tahap penentuan jarak antar data digunakan KNN dengan hal tersebut maka jarak antara k-tetangga terdekat cukup dicari pada lingkup anggota kelompok data dalam satu cluster dan tidak perlu dibandingkan oleh data keseluruhan. Pada penelitian ini menggunakan data registrasi mahasiswa UINSA, kemudian pengujian skor akan digunakan confusion matrix dan k-fold cross validation. Hasil dari algoritma FCM-KNN didapatkan bahwa model prediksi dengan pengujian 10-fold cross validation dengan skenario k=1 mempunyai rata rata akurasi sebesar 71% kesimpulannya dengan seiring bertambahnya nilai K (tetangga terdekat) maka akan mempengaruhi nilai akurasi.


Full Text:

PDF (Indonesian)

References


A. Saifudin, “Metode Data Mining Untuk Seleksi Calon Mahasiswa Pada Penerimaan Mahasiswa Baru Di Universitas Pamulang,” Jurnal Teknologi, vol. 10, no. 1, hlm. 12, 2018.

E. Turban, J. E. Aronson, dan T.-P. Liang, Decision Support Systems and Intelligent, 7 th Ed. 2005.

J. W. G. Putra, Pengenalan Konsep Pembelajaran Mesin dan Deep Learning, 1.3. 2020.

R. B. Afrianto dan L. Y. Kurniawati, “Kategorisasi Dokumen Teks Secara Multi Label Menggunakan Fuzzy C-Means Dan K-Nearest Neighbors Pada Artikel Berbahasa Indonesia,” JUTI, vol. 11, no. 1, hlm. 23, Jan 2013, doi: 10.12962/j24068535.v11i1.a17.

A. Yusuf, H. Ginardi, dan I. Arieshanti, “Pengembangan Perangkat Lunak Prediktor Nilai Mahasiswa Menggunakan Metode Spectral Clustering dan Bagging Regresi Linier,” vol. 1, hlm. 5, 2012.

M. A. Al-Barrak, “Predicting Students Final GPA Using Decision Trees: A Case Study,” IJIET, vol. 6, no. 7, hlm. 528–533, 2016, doi: 10.7763/IJIET.2016.V6.745.

M. A. Banjarsari, H. I. Budiman, dan A. Farmadi, “Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4,” vol. 02, hlm. 15, 2015.

A. Maulana dan A. A. Fajrin, “Penerapan Data Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma Fp-Growth Pada Data Transaksi Penjualan Spare Part Motor,” Klik - Kumpulan Jurnal Ilmu Komputer, vol. 5, no. 1, hlm. 27–36, Feb 2018, doi: 10.20527/klik.v5i1.100.

Aradea, A. Satriyo, Z. Ariyan, dan A. Yuliana, “Penerapan Decision Tree Untuk Penentuan Pola Data Penerimaan Mahasiswa Baru,” hlm. 7, 2011.

F. Fansuri, “Jurnal Komputer dan Informatika (KOMPUTA),” vol. 1, hlm. 7, 2012.

C. Darujati dan A. B. Gumelar, “Pemanfaatan Teknik Supervised Untuk Klasifikasi Teks Bahasa Indonesia,” hlm. 9, 2012.

N. Mariana, R. S. Redjeki, dan J. A. Razaq, “Penerapan Algoritma K-NN (Nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks),” vol. Vol. 7 No.1, Mar 2015.

R. H. D. Satriya dan E. Santoso, “Implementasi Metode Ensemble K-Nearest Neighbor untuk Prediksi Nilai Tukar Rupiah Terhadap Dollar Amerika,” hlm. 8, 2018.

D. Nugraheny, “Metode Nilai Jarak Guna Kesamaan Atau Kemiripan Ciri Suatu Citra (Kasus Deteksi Awan Cumulonimbus Menggunakan Principal Component Analysis),” Angkasa, vol. 7, no. 2, hlm. 21, Sep 2017, doi: 10.28989/angkasa.v7i2.145.

F. Agustini, “Implementasi Algoritma Fuzzy C-Means Studi Kasus Penjualan Di Sushigroove Restaurant,” vol. 3, no. 1, hlm. 6, 2017.

P. Pitria, “Analisis Sentimen Pengguna Twitter Pada Akun Resmi Samsung Indonesia Dengan Menggunakan Naïve Bayes,” hlm. 8, 2014.

A. A. Mahran, R. K. Hapsari, dan H. Nugroho, “Penerapan Naive Bayes Gaussian Pada Klasifikasi Jenis Jamur Berdasarkan Ciri Statistik Orde Pertama,” vol. Vol 5. No 2, 2020.

J. Han, “Data Mining: Concepts and Techniques,” hlm. 128, 2011.

S. García, J. Luengo, dan F. Herrera, Data Preprocessing in Data Mining, vol. 72. 2015.




DOI: http://dx.doi.org/10.21107/nero.v6i1.199

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Network Engineering Research Operation

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License
NERO (Networking Engineering Research Operation) is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.