IMPLEMENTASI ALGORITMA FUZZY K NEAREST NEIGHBOR UNTUK MEMPREDIKSI MAHASISWA BERPOTENSI DROP OUT

Devi Sugianti, Arief Soma Darmawan

Sari


Keberhasilan pendidikan tercermin dari kualitas Perguruan Tinggi adalah tingginya tingkat keberhasilan mahasiswa dan rendahnya kegagalan mahasiswa. STMIK Widya Pratama mempunyai 4 program studi dengan jumlah mahasiswa yang drop out atau non aktif yang cukup banyak, untuk itu perlu di ketahui karakteristik dari mahasiswa yang drop out dengan menganalisa data yang lama. Algortima Fuzzy K Nearest Neighbor definisikan pemberian label kelas data uji yang akan diprediksi. Algoritma Fuzzy Nearest Neighbor adalah pengembangan dari algoritma K-NN yang digabungkan dengan teori Fuzzy. Tahapan penelitian yang dilakukan adalah pengumpulan data, pengolahan data, metode yang diusulkan dan eksperimen. Dengan data yang digunkan sebagai data latih 382 untuk mahasiswa angkatan 2016. Dengan menguji nilai K =3 dan K=5  dari mahasiswa dengan IPS dari semeter 1 sampai semester 5 (3.2 2.78 3.6 3.3 0.83) hasil eksperimen yang dilakukan mengasilkan K=3 dengan kelas 1= 0.32 kelas 2 =0.67 lalu jika K= 5 menghasilkan kelas 1 =0.28 kelas 2 =0.71. hasil menunjukkan bahwa masuk ke kelas 2 dengan nilai keanggotaan terbesar, kelas 2 merupakan prediksi mahasiswa registrasi ulang pada semester 6. Fuzzy K-Nearest Neighbor  dapat digunakan untuk mencari nilai membership  pada masing-masing kelas.

Kata Kunci: Fuzzy K NN, Drop Out


Teks Lengkap:

PDF

Referensi


Ahmad, I., Sulistiyani, h., & saputra, h. (2018). Using Fuzzy K-Nearest Neighbor for Predicting University Students Graduation in Teknokrat. Indonesia Journal of artificial Intelligence and Data Mining, 47-51.

Anugrah, A. s., indriati, & dewi, c. (2018). Implementasi Algoritma fuzzy k nearest neighbor untuk penentuan lulus tepat waktu (studi kasus:fakultas ilmu komputer universitas brawijaya). jurnal pengembangan teknologi informasi dan ilmu komputer, 1726-1732.

hastuti, k. (2012). analisis komparasi algoritma klasifikasi data mining untuk prediksi mahasiswa non aktif. seminar nasional teknologi informasi & komunikasi terapan (pp. 241-249). semarang: semantik.

husnah, a. (2018). penerapan metode c4.5 untuk klasifikasi mahasiswa berpotensi drop out. ilkom, 244-250.

nugraha, s. d., putri, r. r., & wihandika, r. c. (2017). penerapan Fuzzy K nearest Neighbor (FK-NN) dalam menentukan status gizi balita. jurnal pengembangan teknologi informasi dan ilmu komputer, 925-932.

nurhayati, s., kusrini, & taufiq, e. (2015). prediksi mahasiswa drop out menggunakan metode support vector machine. sisfotenika, 82-93.

Prasetyo, E. (2012). Data Mining konsep dan aplikasi menggunakan Matlab. Yogyakarta: andi.

yanti, n. (2020). prediksi mahasiswa berpotensi non aktif menggunakan data mining dalam decision tree dan algoritma c4.5. Jurnal informasi & teknologi, 23-29.


Refbacks

  • Saat ini tidak ada refbacks.