PERBANDINGAN METODE K-NN DAN RANDOM FOREST PADA KLASIFIKASI MAHASISWA BERPOTENSI DROPOUT
Abstract Views : 65 / Downloads Count: 81DOI:
https://doi.org/10.31949/infotech.v10i1.8856Keywords:
k-NN, random forest, dropoutAbstract
Perguruan tinggi bertanggung jawab memberikan pendidikan terbaik untuk menghasilkan individu berkualitas. Tingginya angka drop out dapat merusak akreditasi. Model dikembangkan menggunakan K-Nearest Neighbor (K-NN) dan Random Forest untuk mengklasifikasikan kasus drop out. Random Forest memiliki akurasi lebih tinggi (99.05%) dibanding K-NN (98.10%). Atribut Persentase Aktif menonjol sebagai faktor paling berpengaruh dalam mengklasifikasikan siswa yang berpotensi putus sekolah, menurut algoritma Random Forest. Ini menandakan pentingnya keterlibatan aktif dalam meminimalkan risiko drop out.
Downloads
References
I. P. Ramayasa, “Perancangan Sistem Klasifikasi Mahasiswa Drop Out Menggunakan Algoritma K-Nearest Neighbor,” Semin. Nas. Sist. Inf. dan Teknol. Inf. 2018, vol. 1, no. 1, pp. 585–589, 2018.
S. Samasil, Y. Yuyun, and H. Hazriani, “Klasifikasi Mahasiswa Berpotensi Drop Out Menggunakan Algoritma Naive Bayes Dan Decision Tree,” J. Ilm. Ilmu Komput., vol. 8, no. 2, pp. 108–114, 2022, doi: 10.35329/jiik.v8i2.242.
F. A. D. Aji Prasetya Wibawa, Muhammad Guntur Aji Purnama, Muhammad Fathony Akbar, “Metode-metode Klasifikasi,” Pros. Semin. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 1, p. 134, 2018.
R. T. Wahyuni, D. Prastiyanto, and E. Supraptono, “Penerapan Algoritma Cosine Similarity dan Pembobotan TF-IDF pada Sistem Klasifikasi Dokumen Skripsi,” J. Tek. Elektro Univ. Negeri Semarang, vol. 9, no. 1, pp. 18–23, 2017, [Online]. Available: https://journal.unnes.ac.id/nju/index.php/jte/article/download/10955/6659
Kementrian Hukum dan HAM, “UU RI No. 12/2012 tentang Pendidikan Tinggi,” Undang Undang, p. 18, 2012.
Aprilla Dennis, “Belajar Data Mining dengan RapidMiner,” Innov. Knowl. Manag. Bus. Glob. Theory Pract. Vols 1 2, vol. 5, no. 4, pp. 1–5, 2013.
D. T. Larose, Discovering Knowledge in Data: an Introduction to Data Mining, vol. 100, no. 472. 2005. doi: 10.1198/jasa.2005.s61.
M. Kantardics, Data mining: Concept, models, methods, and algorithms. 2020.
S. Adinugroho and Y. A. Sari, Implementasi Data Mining Menggunakan Weka. UB Press, 2018. [Online]. Available: https://books.google.co.id/books?id=p91qDwAAQBAJ&printsec=frontcover&hl=id&source=gbs_ge_summary_r&cad=0#v=onepage&q&f=false
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Muhammad Maulana Rofi, Foni Agus Setiawan, Freza Riana
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
