PREDIKSI KELULUSAN MAHASISWA SEKOLAH TINGGI TEKNOLOGI NUSANTARA LAMPUNG MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DAN ALGORITMA NAIVE BAYES

SUGANDI, FEBRI (2022) PREDIKSI KELULUSAN MAHASISWA SEKOLAH TINGGI TEKNOLOGI NUSANTARA LAMPUNG MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DAN ALGORITMA NAIVE BAYES. Masters thesis, IIB Darmajaya.

[img] Text
COVER.pdf

Download (77kB)
[img] Text
PERNYATAAN.pdf

Download (3MB)
[img] Text
HALAMAN PERSETUJUAN.pdf

Download (11MB)
[img] Text
HALAMAN PENGESAHAN.pdf

Download (7MB)
[img] Text
MOTTO.pdf

Download (147kB)
[img] Text
ABSTRAK.pdf

Download (155kB)
[img] Text
DAFTAR ISI.pdf

Download (183kB)
[img] Text
Bab I.pdf

Download (272kB)
[img] Text
BAB II.pdf

Download (855kB)
[img] Text
BAB III.pdf

Download (466kB)
[img] Text
BAB IV.pdf

Download (1MB)
[img] Text
BAB V.pdf

Download (152kB)
[img] Text
DAFTAR PUSTAKA.pdf

Download (272kB)

Abstract

Prediksi kelulusan mahasiswa menjadi faktor utama bagi kampus untuk dapat menilai kinerja masing-masing prodi dalam prestasi belajar di setiap semester. Sekolah Tinggi Teknologi Nusantara (STTN) Lampung mengalami kesulitan dalam memprediksi kelulusan, sehingga pendekatan machine learning dengan memprediksi kelulusan menggunakan algoritma K-Nearest Neighbor dan algoritma Naive Bayes. Pada penulisan ini membahas tentang metode K-Nearest Neighbor dan Naïve Bayes yang pada penelitian di STTN Lampung menggunakan aplikasi Rapid miner 9.1, dengan total data kelulusan siswa sebanyak 1017 dimana 917 merupakan data latih mahasiswa yang lulus dari 2013 sampai 2017 dan 100 data merupakan data uji nahasiswa tahun 2018, pada program studi S1 Teknik Industri dan S1 Elektro. Hasil penelitian menunjukkan bahwa pendekatan dengan algoritma Naïve Bayes memiliki akurasi prediksi yang lebih tinggi sebesar 97,84% dibandingkan dengan algoritma K-Nearest Neighbor yang memperoleh tingkat akurasi sebesar 97,15%. Hal ini menunjukan bahwa keunggulan dari metode Naive Bayes yaitu berdalil pada teorema bayes yang dapat diartikan mampu atau dapat memprediksi peluang dimasa depan.

Item Type: Thesis (Masters)
Subjects: Ilmu Komputer
eTheses
Divisions: Pasca Sarjana > Magister Teknologi Informasi
Depositing User: Febri Sugandi
Date Deposited: 26 Jul 2022 01:15
Last Modified: 26 Jul 2022 01:15
URI: http://repo.darmajaya.ac.id/id/eprint/7790

Actions (login required)

View Item View Item