Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Peminatan Studi (Studi Kasus : Program Studi Teknik Informatika STMIK Amik Riau)

Nora Lizarti, Aniq Noviciatie Ulfah

Abstract

Abstrak

Peminatan studi pada STMIK Amik Riau merupakan pilihan minat berdasarkan kemampuan khusus dan ketertarikan mahasiswa. Program studi Teknik Informatika STMIK Amik Riau memiliki dua bidang peminatan, yaitu bisnis dan jaringan. Peminatan disesuaikan dengan kemampuan dan ketertarikan dari mahasiswa serta harus dipilih dengan baik dan tepat. Pengambilan peminatan sangat berpengaruh terhadap tugas akhir dan tingkat kelulusan mahasiswa. Pemilihan peminatan studi oleh mahasiswa saat ini hanya mengikuti teman dan tidak berdasarkan kemampuan, sehingga sebuah Sistem klasifikasi peminatan merupakan salah satu solusi untuk menyelesaikan permasalahan pemilihan peminatan pada program studi karena dianggap mampu memberikan rekomendasi pemintan yang baik dan tepat. Algoritma K-Nearest Neighbor (K-NN) merupakan algoritma klasifikasi yang dapat digunakan sebagai solusi dalam pengelompokan data.  Pada penelitian ini data yang digunakan diperoleh dari nilai mata kuliah prasyarat selama semester satu hingga semester lima. Data diolah dengan membangun aplikasi yang menerapkan algoritma K-NN menggunakan PHP dan MySQL. Hasil keluaran sistem memiliki akurasi 100% dibandingkan hasil perhitungan manual menggunakan Ms. Excel. Pengujian menggunakan tools RapidMiner untuk mengukur performa algoritma. Hasil pengujian yang dilakukan terhadap 183 data latih dan 100 data uji menyatakan algoritma K-NN memiliki performa dengan hasil Acuracy, Recall, Precision, F Measure, dan Clasificassion Error dengan nilai 98%, 100%, 100%, 91.67%, dan 2%. Penelitian ini dapat memberikan rekomendasi peminatan studi kepada mahasiswa Teknik Informatika STMIK Amik Riau.

Kata kunci: Peminatan studi, klasifikasi, algoritma K-NN

 

Abstract

[Implementation of K-Nearest Neighbor Algorithm For Determining Concentration of Study at Informatics Engineering Program of STMIK AMIK RIAU] Concentration of study at STMIK Amik Riau is a choice of interests based on special abilities and student interests. Informatics Engineering Program at STMIK Amik Riau has two subjects of interest, namely business and networking. The study concentration is tailored to the abilities and interests of students and must be chosen properly and correctly because it is very influential on the final assignment and graduation level of students. The classification system of interest is one of the solutions to solve the problem of choosing a concentration in the study program because it is considered capable of providing good and appropriate spinning recommendations. K-Nearest Neighbor (K-NN) is one of classification algorithm that can be used as a solution in classifying data. In this study, the data used was obtained from the value of prerequisite courses during semester one to semester five. Data is processed by building applications that implement the K-NN algorithm using PHP and MySQL. The output of the system has 100% accuracy compared to the results of manual calculations using Microsoft Excel. The Testing process used RapidMiner software to measure algorithm performance. The results of the tests carried out on 183 training data and 100 test data stated that the K-NN algorithm had a performance with the results of Accuracy, Recall, Precision, Measure, and Classification Error with values of 98%, 100%, 100%, 91.67%, and 2 %. This study can provide a system that can help to give some study concentration recommendations to the student of Informatics Engineering Program at STMIK Amik Riau.

Keywords: Study Interest, Classification, K-Nearest Neighbor (K-NN) Algorithm

Keywords

Study Interest, Classification, K-Nearest Neighbor (K-NN) Algorithm

Full Text:

PDF

Article Metrics

Abstract view : 17 times
PDF - 2 times

References

T. H. Simanjuntak and W. F. Mahmudy, “Implementasi Modified K-Nearest Neighbor Dengan Otomatisasi Nilai K Pada Pengklasifikasian Penyakit Tanaman Kedelai,” no. June, 2017.

E. Prasetyo, Data Mining Konsep dan Aplikasi menggunakan MATLAB. Yogyakarta: Andi Offset, 2012.

J. Han, M. Kamber, and J. Pei, Data Mining Concepts and Techniques. Waltham: Morgan Kaufmann, 2012.

E. Turban, J. E. Aronson, and T. Liang, Decision Support Systems and Intelligent Systems. New Delhi: Prentice-Hall of India Private Limited, 2007.

S. Arikunto, Prosedur Penelitian: Suatu Pendekatan Praktis. Jakarta: Rineka Cipta, 2010.

R. S. Pressman, Software Engineering : A Practitioner’s Approach, 7th ed. New York, USA: Mc Graw Hill Higher Education, 2010.

Y. Kustiyahningsih and D. R. Anamisa, Pemrograman Basis Data Berbasis Web Menggunakan PHP & MySQL. Yogyakarta: Graha Ilmu, 2011.

Anhar, Panduan Menguasai PHP & MySQL secara Otodidak. Jakarta: Mediakita, 2010.

P. Mittal and N. S. Gill, “A Comparative Analysis Of Classification Techniques On Medical Data Sets,” pp. 454–460, 2014.

D. Kurniawan, “Evaluasi Sistem Temu Kembali Informasi Model Ruang Vektor,” vol. 16, no. 3, pp. 155–162, 2010.

I. M. K. Wicaksana and I. M. Widiartha, “Penerapan Metode Ant Colony Optimzation Pada Metode K-Harmonic Means Untuk Klasterisasi Data,” J. Ilmu Komput., vol. 5 No 1, 2012.

Refbacks

  • There are currently no refbacks.