Prediksi Kelulusan Tepat Waktu Berdasarkan Riwayat Akademik Menggunakan Metode K-Nearest Neighbor

Penulis

  • Imam Riadi Universitas Ahmad Dahlan, Yogyakarta
  • Rusydi Umar Universitas Ahmad Dahlan, Yogyakarta
  • Rio Anggara Universitas Ahmad Dahlan, Yogyakarta

DOI:

https://doi.org/10.25126/jtiik.20241127330

Abstrak

Abstract

Graduating on time is a plenary achievement to be achieved by all students or prospective students. Graduation has 2 classifications such as graduating not on time and graduating on time. Graduation becomes an assessment of university accreditation and an assessment by the wider community. Universities graduate students with several standard criteria that must be possessed. It is expected that graduating students meet the graduation standard requirements within a maximum of 4 years of study period. Evaluation and monitoring of graduation is very important to do, one of which is by studying the history data of students who have graduated as an effort for students to graduate not to exceed the standard time that has been set. The graduation predictions carried out in research use the K-Nearest Neighbor classification rules with the research object being students. The attributes used in the research classification method are name, high school/vocational high school origin, high school/vocational high school origin, average grade in mathematics and length of study. The research phase begins with data collection, attribute selection, data cleaning, data transformation, selection of testing data and training data. The accuracy test obtained in the classification method research with data clusters k = 1, k = 2, k = 3, k = 4, k = 5, k = 6 and k = 7 produces a cluster with the highest k = 3 value. The results of testing the accuracy of research predictions using the confusion matrix produced the greatest accuracy according to the target, reaching 78% using a research object of 93 student data consisting of 78 training and 12 testing data. The test results point k=1 to point k=7, k=3 is the highest prediction accuracy value so that the research results become a source of knowledge for the faculty in predicting student graduation.

 

Abstrak

Lulus tepat waktu adalah pencapaian paripurna ingin dicapai oleh semua mahasiswa atau calon mahasiswa. Kelulusan memiliki 2 klasifikasi seperti lulus tidak tepat waktu dan lulus tepat waktu. Kelulusan menjadi suatu penilaian akreditasi universitas dan penilaian oleh masyarakat secara luas. Perguruan tinggi meluluskan mahasiswa-mahasiwa dengan beberapa kriteria standar yang harus dimiliki. Diharapkan mahasiswa lulus memenuhi syarat standar kelulusan dalam waktu maksimal 4 tahun masa studi. Evaluasi dan pemantauan kelulusan sangat penting dilakukan, salah satunya dengan mempelajari data history mahasiswa yang telah lulus sebagai upaya mahasiswa lulus tidak melebihi waktu standar yang telah ditetapkan. Prediksi kelulusan yang dilakukan pada riset menggunakan kaidah klasifikasi K-Nearest Neighbor dengan objek penelitian yaitu mahasiswa. Atribut yang dipakai dalam penelitian metode klasifikasi yaitu nama, asal SMA/SMK, wilayah asal SMA/SMK, nilai rata-rata matematika dan lama studi. Tahapan penelitian diawali dengan pengumpulan data, pemilihan atribut, pembersihan data, transformasi data, pemilihan data testing dan data training. Pengujian akurasi yang didapatkan pada penelitian metode klasifikasi dengan klaster data k=1, k=2, k=3, k=4, k=5, k=6 dan k=7 menghasilkan klaster dengan nilai k=3 paling tinggi. Hasil pengujian akurasi prediksi penelitian menggunakan confusion matrix menghasilkan akurasi paling besar sesuai target yaitu mencapai 78% menggunakan objek penelitian sebanyak 93 data mahasiswa terdiri dari 78 training dan 12 data testing. Hasil pengujian point k=1 sampai point k=7, k=3 merupakan nilai akurasi prediksi yang paling tinggi sehingga hasil penelitian menjadi sumber pengetahuan untuk fakultas dalam prediksi kelulusan mahasiswa.

Downloads

Download data is not yet available.

Referensi

AHMAD R. PRATAMA, R. R. A. 2022. 2022. Model Klasifikasi Calon Mahasiswa Baru Untuk Sistem Rekomendasi Program Studi Sarjana Berbasis Machine Learning. 9(4). https://doi.org/10.25126/jtiik.202294311

ALLAN, S. 2020. Migration And Transformation: A Sociomaterial Analysis Of Practitioners’ Experiences With Online Exams. Research In Learning Technology. https://doi.org/10.25304/rlt.v28.2279

ANTON YUDHANA, SUNARDI, dan A. J. S. H. 2020. Algoritma K-NN dengan Euclidean Distance untuk Prediksi Hasil Penggergajian Kayu Sengon. Undip E-Journal System, (4).

GEDE ADITRA PRADNYANA, A. A. J. P. 2018. Sistem Pembagian Kelas Kuliah Mahasiswa Dengan Metode K-Means dan K-Nearest Neighbors Untuk Meningkatkan Kualitas Pembelajaran. 59–68.

GIBRAN SATYA NUGRAHA, HAIRANI, R. F. P. A. 2018. Aplikasi Pemetaan Kualitas Pendidikan Di Indonesia Menggunakan Metode K-Means. 17(2).

HAKIM, L. A. R., RIZAL, A. A., & RATNASARI, D. 2019. Aplikasi Prediksi Kelulusan Mahasiswa Berbasis K-Nearest Neighbor (K-NN). JTIM : Jurnal Teknologi Informasi Dan Multimedia, 1(1), 30–36. https://doi.org/10.35746/jtim.v1i1.11

HERMAWAN, H. 2018. Analis Pengaruh Bauran Pemasaran Terhadap Keputusan, Kepuasan Dan Loyalitas Konsumen Dalam Pembelian Roti Ceria Di Jember. Jurnal Manajemen Dan Bisnis Indonesia.

HERYANA, N., KARAWANG, U. S., JUARDI, D., KARAWANG, U. S., SOLEHUDIN, A., KARAWANG, U. S., & MINING, D. 2020. Kajian Model Prediksi Ketepatan Kelulusan Mahasiswa : Sebuah Literatur Review Kajian Model Prediksi Ketepatan Kelulusan Mahasiswa : Sebuah Literatur Review. (September). https://doi.org/10.35706/syji.v9i1.3388

HIDAYATI, N., & HERMAWAN, A. 2021. K-Nearest Neighbor ( k-NN ) algorithm with Euclidean and Manhattan in classification of student graduation. 2(2), 86–91.

HOZAIRI, A. S. A. 2021. Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor , Decision Tree Serta Naive Bayes Orange Data Mining Implementation For Student Graduation Classification Using K-Nearest Neighbor ,. Jurnal Ilmiah NERO, 6(2), 133–144.

KHASANAH, N., SALIM, A., AFNI, N., KOMARUDIN, R., & MAULANA, Y. I. 2022. Prediksi Kelulusan Mahasiswa Dengan Metode Naive Bayes. 13(3), 207–214.

KHOLIL, M. 2018. Penerapan Metode K Nearest Neighbord Dalam Proses Seleksi Penerima Beasiswa.

M. REZA NOVIANSYAH, TEDY RISMAWAN, D. M. M. 2018. Penerapan Data Mining Menggunakan Metode K-Nearest Neighbor Untuk Klasifikasi Indeks Cuaca Kebakaran Berdasarkan Data AWS (Automatic Weather Station) (Studi Kasus: Kabupaten Kubu Raya). Jurnal Coding, Sistem Komputer Untan, 06(2), 48–56.

MOH. ZAINUDDIN, A. N. 2019. Studi Komparasi Algoritma Decesion Tree (C4.5) Dengan Algoritma K-NN Dalam Memprediksi Kelulusan Tepat Waktu Mahasiswa. 10.

MULIONO, R. 2019. Analisis Algoritma K-Nearest Neighbors dalam Prediksi Waktu Kelulusan Mahasiswa. 2(November), 12–16.

NAUFAL, M. A. 2017. Implementasi Metode Klasifikasi K-Nearest Neighbor (K-NN) Untuk Pengenalan Pola Batik Motif Lampung.

NURHANIFA, T. S. 2020. Prediksi Kelulusan Mahasiswa Berdasarkan Data Berkunjung dan Pinjam Buku di Perpustakaan Menggunakan Metode C4.5. Jurnal Sarjana Teknik Informatika, 8(2), 24–33.

NOVENDRA ADISAPUTRA SINAGA, B. HERAWAN HAYADI, Z. S. 2022. Perbandingan Akurasi Algoritma Naïve Bayes, K-NN Dan SVM Dalam Memprediksi Penerimaan Pegawai. 5, 27–34. https://doi.org/10.37600/tekinkom.v5i1.446

PAMULANG, U., SURYA, J., NO, K., BARAT, P., & SELATAN, T. 2021. Prediksi Kelulusan Tepat Waktu Menggunakan Algoritma SVM dan K-Nearest Neighbour Berbasis Particle Swarm. XVI(01), 55–65.

RACHMAT, R., CHRISNANTO, Y. H., UMBARA, F. R., INFORMATIKA, S., JENDERAL, U., & YANI, A. 2020. Sistem Prediksi Mutu Air Di Perusahaan Daerah Air Minum Tirta Raharja Menggunakan K – Nearest Neighbors ( K – NN ). 189–193.

RAMADHAYANTI, A. 2018. Analisis Strategi Belajar Dengan Metode Bimbel Online Terhadap Kemampuan Pemahaman Kosa Kata Bahasa Inggris dan Pronunciation (Pengucapan/pelafalan) Berbahasa Remaja Saat Ini. KREDO : Jurnal Ilmiah Bahasa Dan Sastra. https://doi.org/10.24176/kredo.v2i1.2580

RATHORE, A. S., & ARJARIA, S. K. 2019. Intelligent Tutoring System. In Utilizing Educational Data Mining Techniques For Improved Learning: Emerging Research And Opportunities. https://doi.org/10.4018/978-1-7998-0010-1.ch006

RIYAN LATIFAHUL HASANAH, F. F. W. & D. R. 2019. TAM Analysis on the Factors Affecting Admission of Students for Ruangguru Application. Jurnal Sistem Informasi.

RUSTAM, S., & ANNUR, H. 2019. Akademik Data Mining ( Adm ) K-Means Dan K-Means k-NN Untuk Mengelompokan Kelas Mata Kuliah Kosentrasi. 11(28), 260–268.

SRI MULYATI , SYEPRY MAULANA HUSEIN, R. 2020. Rancang Bangun Aplikasi Data Mining Prediksi Kelulusan Ujian Nasional Menggunakan Algoritma (k-NN) K-Nearest Neighbor Dengan Metode Euclidean Distance Pada Smpn 2 Pagedangan. Jurnal Teknik Informatika (JIKA) Universitas Muhammadiyah Tangerang, 65–73.

SUSANTO, E. S., KUSRINI, & FATTA, H. Al. 2018. Informatika Universitas Amikom Yogyakarta Menggunakan Metode K-Nearest Neighbor. Jurnal Teknologi Informasi, XIII, 67–72.

http://jti.respati.ac.id/index.php/jurnaljti/article/view/260/239.

SUMARLIN, D. A. 2018. Implementasi K-Nearest Neighbord Pada Rapidminer Untuk Prediksi Kelulusan Mahasiswa. HOAQ: JURNAL TEKNOLOGI INFORMASI, 10, 35–41.

WILIANI, A. B. I. E. P. P. A. P. N. 2020. Komparasi Algoritma Decision Tree , Naive Bayes dan K-Nearest Neighbor Untuk Memprediksi Mahasiswa Lulus. 5(2), 265–270

WISDAYANI, D. S., NUR, I. M., & WASONO, R. 2019. Penerapan Algoritma K-Nearest Neighbor dalam Klasifikasi Tingkat Keparahan Korban Kecelakaan Lalu Lintas di Kabupaten Jawa Tengah. Prosiding Mahasiswa Seminar Nasional Unimus, 2, 373–380.

WIYANA YUSUF, RAHMA WITRI, C. J. 2022. Model Prediksi Penjualan Jenis Produk Tekstil Menggunakan Algoritma K-Nearest Neighbor (K-NN). (Indonesian Journal on Computer and Information Technology), 7(1), 1–6.

Unduhan

Diterbitkan

26-08-2024

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Prediksi Kelulusan Tepat Waktu Berdasarkan Riwayat Akademik Menggunakan Metode K-Nearest Neighbor. (2024). Jurnal Teknologi Informasi Dan Ilmu Komputer, 11(2), 249-256. https://doi.org/10.25126/jtiik.20241127330