Optimasi Nilai k Pada Algoritma kNN Untuk Prediksi Akademik Mahasiswa Yang Bekerja

Authors

  • Taslim Taslim Universitas Lancang Kuning
  • Yuhelmi
  • Dafwen Toresa

Keywords:

prediksi, k nearest neighbor, optimasi, k-fold, cross validation

Abstract

Salah satu item penunjang dalam akreditasi perguruan tinggi adalah jumlah mahasiswa yang dapat menyelesaikan masa studinya secara tepat waktu. Semakin tinggi jumlah mahasiswa yang dapat menyelesaikan studinya dengan tepat waktu maka nilai yang didapat dari item ini juga semakain baik begitu juga sebaliknya. Maka dari itu perlu dilakukan prediksi terhadap prestasi akademik mahasiswa terutama bagi mahasiswa yang bekerja karena mereka mempunyai beban yang lebih dibanding mahasiswa yang tidak bekerja. Hasil dari prediksi ini selanjutnya dapat digunakan sebagai salah satu bahan pertimbangan bagi pihak akademik dalam mengambil kebijakan terhadap mahasiswa yang sudah bekerja. Prediksi prestasi akademik dilakukan dengan menggunakan algoritma K nearest neighbor dengan optimasi pada nilai k dengan algoritma k-fold cross validation dengan 5-fold cross validation. Kelas label terdiri atas 3 kategori yaitu memuaskan, sangat memuaskan dan dengan pujian. Dari hasil penelitian didapat nilai k= 3. Uji akurasi performance menghasilkan nilai sebesar 85,71%.

References

C. C. Aggarwal, Data Mining, vol. 14, no. 3. New York: Springer, 2015.

P. Thamilselvana and J. G. R. Sathiaseelan, “A Comparative Study of Data Mining Algorithms for Image Classification,” Int. J. Educ. Manag. Eng., vol. 5, no. 2, pp. 1–9, 2015, doi: 10.5815/ijeme.2015.02.01.

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.

Z. Pan, Y. Wang, and Y. Pan, “A new locally adaptive k-nearest neighbor algorithm based on discrimination class,” Knowledge-Based Syst., vol. 204, 2020, doi: 10.1016/j.knosys.2020.106185.

R. O. Duda, P. E. Hart, and D. G. Stork, “PATTERN Second Edition,” 2001.

W. Cherif, “Optimization of K-NN algorithm by clustering and reliability coefficients: Application to breast-cancer diagnosis,” Procedia Comput. Sci., vol. 127, pp. 293–299, 2018, doi: 10.1016/j.procs.2018.01.125.

S. Jain, S. Shukla, and R. Wadhvani, “Dynamic selection of normalization techniques using data complexity measures,” Expert Syst. Appl., vol. 106, pp. 252–262, 2018, doi: 10.1016/j.eswa.2018.04.008.

A. Ali and N. Senan, “The Effect of Normalization in Violence Video Classification Performance,” IOP Conf. Ser. Mater. Sci. Eng., vol. 226, no. 1, 2017, doi: 10.1088/1757-899X/226/1/012082.

L. Xu et al., “Stochastic cross validation,” Chemom. Intell. Lab. Syst., vol. 175, no. October 2017, pp. 74–81, 2018, doi: 10.1016/j.chemolab.2018.02.008.

S. Eker, E. Rovenskaya, S. Langan, and M. Obersteiner, “Model validation: A bibliometric analysis of the literature,” Environ. Model. Softw., vol. 117, no. December 2018, pp. 43–54, 2019, doi: 10.1016/j.envsoft.2019.03.009.

Downloads

Published

2021-10-15

How to Cite

Taslim, T., Yuhelmi, & Toresa, D. (2021). Optimasi Nilai k Pada Algoritma kNN Untuk Prediksi Akademik Mahasiswa Yang Bekerja . Indonesian Journal of Computer Science, 10(2), 379-388. Retrieved from http://ijcs.stmikindonesia.ac.id/index.php/ijcs/article/view/399

Issue

Section

Artikel Bahasa Indonesia