PENERAPAN K-OPTIMAL PADA ALGORITMA KNN UNTUK PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA PROGRAM STUDI ILMU KOMPUTER FMIPA UNLAM BERDASARKAN IP SAMPAI DENGAN SEMESTER 4

Mutiara Ayu Banjarsari, Irwan Budiman, Andi Farmadi

Abstract


The data pile on a database of academic information systems at Computer Science Program of Mathematic and Natural Science Faculty of Lambung Mangkurat University is not fully utilized, although it can provide new information that has not been known before. Data mining techniques can be used to predict the timely graduation of students. The k-Nearest Nieghbor, a method to classify objects based on training data located closest to the object, was used in this study. Selection of the value of k in kNN algorithm became important because it would affect the performance of the algorithm kNN, therefore it was necessary to know how the value of k and the level of accuracy. The k-Fold Cross Validation method and Accuracy Test was used to determine the value of k-Optimal. The result showed that the value of k = 5 was defined as k-Optimal which was then be applied in the kNN algorithm for prediction of timely graduation of students based on the Grade Point Average up to 4th semester.

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:

PDF

References


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



Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.joomla
counter View My Stats