PENERAPAN ALGORITMA K-NEAREST NEIGHBOR DALAM REKOMENDASI KEMINATAN MAHASISWA (STUDI KASUS: PROGRAM STUDI TEKNIK SIPIL UNIVERSITAS KHAIRUN)
Kata Kunci:
Keminatan Mahasiswa, Sistem Rekomendasi, KNN, K-Nearest NeighborAbstrak
Keminatan mahasiswa dalam suatu bidang khusus pada program studi memiliki dampak signifikan terhadap perjalanan perkuliahan dan pemilihan tugas akhir mereka. Pengenalan dan pemahaman yang mendalam terhadap keminatan ini menjadi faktor krusial dalam menentukan keberhasilan akademis dan kelulusan mahasiswa, khususnya dalam konteks keminatan yang mereka pilih. Tujuan penelitian ini untuk menerapan Algoritma k-nearest neighbor dalam rekomendasi keminatan mahasiswa pada Program Studi Teknik Sipil Universitas Khairun. penelitian ini membantu mahasiswa dalam memberi rekomendasi keminatan berdasarkan faktor kriteria individu dan nilai akademik mahasiswa. Pengujian dilakukan dengan membandingkan hasil keminatan yang terverifikasi dari mahasiswa dan hasil dari sistem. Hasil dari penelitian ini menghasilkan sistem rekomendasi keminatan mahasiswa Program Studi Teknik Sipil Universitas Khairun dengan penerapan algoritma k-nearest neighbor pengujian dengan data uji sebanyak 20 data mahasiswa yang sudah memiliki keminatan, ditemukan bahwa akurasi bervariasi tergantung pada nilai K yang digunakan. Untuk nilai K=3, diperoleh nilai akurasi sebesar 50%, kemudian untuk nilai K=7, ditemukan nilai akurasi sebesar 55%, dan untuk nilai K=10, diperoleh nilai akurasi sebesar 40%. Rendahnya akurasi lebih disebabkan oleh ketidakseimbangan data daripada kesalahan pada algoritma.
Referensi
L. Anshori, R. Regasari, and M. Putri, “Implementasi Metode K-Nearest Neighbor untuk Rekomendasi Keminatan Studi ( Studi Kasus : Jurusan Teknik Informatika Universitas Brawijaya ),” vol. 2, no. 7, 2018.
N. Tri Romadloni, I. Santoso, and S. Budilaksono, “Perbandingan Metode Naive Bayes, KNN, dan Decision Tree Terhadap Analisis Sentimen Transportasi KRL Commuter Line,” J. IKRA-ITH Inform., vol. 3, no. 2, pp. 1–9, 2019.
A. Sumiah and N. Mirantika, “Perbandingan Metode K-Nearest Neighbor dan Naive Bayes untuk Rekomendasi Penentuan Mahasiswa Penerima Beasiswa pada Universitas Kuningan,” Buffer Inform., vol. 6, no. 1, pp. 1–10, 2020.
Yuli Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5 Data mining merupakan bagian dari tahapan proses Knowledge Discovery in Database ( KDD ) . Jurnal Edik Informatika,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2019.
F. Shidiq, “Penerapan Metode K-Nearest Neighbor (KNN) Untuk Menentukan Ikan Cupang Dengan Ekstraksi Fitur Ciri Bentuk Dan Canny,” Innov. Res. Informatics, vol. 3, no. 2, pp. 39–46, 2021, doi: 10.37058/innovatics.v3i2.3093.
U. Erdiansyah, A. Irmansyah Lubis, and K. Erwansyah, “Komparasi Metode K-Nearest Neighbor dan Random Forest Dalam Prediksi Akurasi Klasifikasi Pengobatan Penyakit Kutil,” J. Media Inform. Budidarma, vol. 6, no. 1, p. 208, 2022, doi: 10.30865/mib.v6i1.3373.
A. A. Wahid, “Analisis Metode Waterfall Untuk Pengembangan Sistem Informasi,” J. Ilmu-ilmu Inform. dan Manaj. STMIK, no. November, pp. 1–5, 2020.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Jaringan dan Teknologi Informasi
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
