Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Topik Skripsi Mahasiswa di Fakultas Ilmu Komputer

  • Taslim Taslim Univ.lancang kuning
  • Aditya Elanda Gumanti Universitas Lancang Kuning
  • Susi Handayani Universitas Lancang Kuning
  • Dafwen Toresa Universitas Lancang Kuning
Keywords: Data Mining, skripsi, klasifikasi, kNN, optimasi

Abstract

Dalam suatu proses perkuliahan mahasiswa yang sudah menempuh pendidikan cukup lama dan akan menyelesaikannya, maka harus melalui tahapan akhir yang harus dikerjakan. Salah satunya membuat skripsi merupakan tahapan yang harus dilewati semua mahasiswa jika ingin lulus dari universitas. Dalam pengambilan topik skripsi, Fakultas Ilmu Komputer Universitas Lancang Kuning memberikan beberapa pilihan topik atau peminatan yang dapat dipilih oleh mahasiswa. Pemilihan topik atau peminatan tersebut akan lebih baik jika tidak hanya sesuai dengan minat tapi juga sesuai dengan kemampuan masing-masing mahasiswa. K-Nearest Neighbor merupakan salah satu metode yang digunakan dalam pengklasifikasian. Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K-Nearest (neighbor) terdekatnya dalam data pelatihan. Penggunaan K-Nearest Neighbor bertujuan untuk mengklasifikasikan objek baru berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek baru tersebut. Oleh karna itu knn sangat cocok untuk prediksi topik skripsi mahasiswa menggunakan klasifikasi data. Kesimpulan yg didapat dari penelitian ini Optimasi nilai k menggunakan k-fold cross validation menghasilkan tingkat akurasi yaitu 56,67% dengan nilai k-fold cross validation = 2 dan nilai K-5. Dari hasil klasifikasi menggunakan Algoritma K-Nearest Neighbor hasilnya sebanyak 73 mahasiswa berminat mengambil topik skripsi rekayasa perangkat lunak (RPL), 48 mahasiswa berminat mengambil topik skripsi kecerdasan buatan (AI) dan 0 atau tidak ada mahasiswa yang berminat mengambil topik skripsi jaringan.

Downloads

Download data is not yet available.

References

References

M. Rafi, “Algoritma K-Means untuk Pengelompokan Topik Skripsi Mahasiswa,” vol. 12, no. 2, pp. 121–129, 2020.

A. Mohamed, A. Rizaner, and A. Hakan, “Using data Mining to Predict Instructor Performance,” Procedia - Procedia Comput. Sci., vol. 102, no. August, pp. 137–142, 2016, doi: 10.1016/j.procs.2016.09.380.

J. Elias, V. Ferreira, C. Henrique, R. M. De Miranda, and A. F. De Figueiredo, “Q uímica educación the representative elements,” Educ. Química, vol. 26, no. 3, pp. 195–201, 2015, doi: 10.1016/j.eq.2015.05.004.

T. T. Wong, “Performance evaluation of classification algorithms by k-fold and leave-one-out cross validation,” Pattern Recognit., vol. 48, no. 9, pp. 2839–2846, 2015, doi: 10.1016/j.patcog.2015.03.009.

W. Li, Y. Chen, and Y. Song, “Knowledge-Based Systems Boosted K-nearest neighbor classifiers based on fuzzy granules ✩,” Knowledge-Based Syst., no. xxxx, p. 105606, 2020, doi: 10.1016/j.knosys.2020.105606.

D. A. Adeniyi, Z. Wei, and Y. Yongquan, “Automated web usage data mining and recommendation system using K-Nearest Neighbor ( KNN ) classification method,” Appl. Comput. Informatics, vol. 12, no. 1, pp. 90–108, 2016, doi: 10.1016/j.aci.2014.10.001.

T. Setiyorini, R. T. Asmono, T. Informatika, and T. Informatika, “IMPLEMENTATION OF GAIN RATIO AND K-NEAREST NEIGHBOR,” vol. 16, no. 1, pp. 19–24, 2020, doi: 10.33480/pilar.v16i1.813.

A. Nugroho, O. R. Riady, A. Calvin, and D. Suhartono, “Identification of Student Academic Performance using the KNN Algorithm,” vol. 2, no. 3, pp. 115–122, 2020.

T. Tanner, H. Toivonen, and T. Master, “Predicting and preventing student failure – using the k -nearest neighbour method to predict student performance in an online course environment.”

Published
2022-05-31
How to Cite
Taslim, T., Aditya Elanda Gumanti, Susi Handayani, & Dafwen Toresa. (2022). Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Topik Skripsi Mahasiswa di Fakultas Ilmu Komputer. JITACS: Journal of Information Technology and Computer Science, 1(2), 45-50. https://doi.org/10.31849/jitacs.v1i2.10037
Abstract viewed = 1184 times
PDF downloaded = 654 times

Most read articles by the same author(s)