Beranda > Algoritma dan Metode, Ilmu Komputer, Informatika > Forecasting Predikat Prestasi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor

Forecasting Predikat Prestasi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor

GsUIN Suska Riau yang dahulunya merupakan IAIN Susqa beralamat di Jalan HR Soebrantas Km 15 Panam Pekanbaru, merupakan sebuah Universitas Islam Negri yang telah berdiri sejak tahun 1970. UIN Suska Riau mempuyai 8 Fakultas dan 39 Program Studi. Salah satu diantaranya adalah Fakultas Sains dan Teknologi yang talah berdiri sejak tahun 2002. Fakultas ini mempunyai 5 Program Studi yaitu Teknik Informatika, Teknik Industri, Sistem Informasi, Teknik Elektro dan Matematika Terapan (Hidayat, 2012).

Program Studi Sistem Informasi mulai beroperasi pada bulan Juli tahun 2002 yang direkomendasi Gubernur Riau  pada 7 Oktober 2003 berdasarkan SK Gubernur No. Kpts. 521/X/2002 Tanggal 24 Oktober 2002, rekomendasi DPRD Propinsi Riau No. 12/KPTS/PIMP/DPRD/2002 Tanggal 25 September 2002, dan rekomendasi dari Menteri Agama RI kepada Menteri Pendidikan Nasional dengan No : MA/266/2002 Tanggal 19 Juli 2002 serta PERPRES No. 2 Tanggal 11 Februari 2005 tentang perubahan status IAIN SUSQA menjadi UIN SUSKA RIAU, kemudian disusul dengan dikeluarkannya secara resmi izin  pendirian Program Studi Sistem Informasi dengan SK Pendirian DJ.II/26/2006. (Hidayat, 2012)

Penerimaan Mahasiswa baru pada Program Studi Sistem Informasi tiga tahun terakhir ini mengalami peningkatan yang signifikan dibandingkan dengan lima tahun pertama. Jumlah Mahasiswa baru yang semakin banyak tidak menutup kemungkinan Mahasiswa lama dapat menyelesaikan perkuliahan dengan tepat waktu sehingga, mengakibatkan jumlah Mahasiswa Program Studi Sistem Informasi akan semakin banyak. Banyak kemungkinan faktor yang menjadi alasan Mahasiswa tidak dapat menyelesaikan perkuliahan dengan tepat waktu, salah satunya adalah nilai Indek Prestasi Mahasiswa (IPK). Adapun jumlah Mahasiswa baru Program Studi Sistem Informasi dalam 6 tahun terakhir dapat dilihat pada diagram gambar 1.1.

G

Gambar 1. 1 Grafik jumlah Mahasiswa Baru Sistem Informasi 6 tahun terakhir

Dari jumlah data Mahasiswa Program Studi Informasi yang terus meningkat, akan sangat bermanfaat jika digali dengan tepat sehingga dapat diketahui pola atau pengetahuan tersembunyi untuk mengambil keputusan. Salah satunya dalam memberikan informasi untuk meningkatkan nilai Indek Prestasi Kumulatif (IPK) Mahasiswa. Untuk mengetahui informasi tersebut, dilakukan suatu prediksi predikat prestasi Mahasiswa pada semester yang akan datang dengan mengacu dari data set sebelumnya. Data set memiliki 2 jenis data yang akan digunakan yaitu data training dan data testing. Untuk data training yang dibutuhkan adalah data Mahasiswa Sistem Informasi angkatan 2012 sedangkan sebagai data  testing adalah Mahasiswa angkatan 2014. Atribut yang digunakan adalah umur, jenis kelamin, jumlah nilai mutu,jenis tinggal, dan jumlah satuan kredit semester yang nantinya akan di mining untuk melakukan proses prediksi Penggunaan atribut ini diperoleh berdasarkan dari hasil wawancara dengan pihak Akademik Fakultas Sains dan Teknologi bahwa kelima atribut ini nantinya akan memberikan pengaruh yang sangat besar terhadap peningkatan nilai IPK Mahasiswa.

Dalam kasus prediksi, dibutuhkan sebuah metode atau model yang mampu menghasilkan pola klasifikasi data dengan tujuan akhir yaitu forecasting. Teknik atau metode yang akan digunakan untuk megetahui informasi itu adalah dengan cara memining data Mahasiswa. Data mining terdiri berbagai teknik yang dapat digunakan untuk melakukan prediksi maupun klasifikasi, dimana teknik ini memperkirakan kemungkinan yang akan terjadi dimasa yang akan datang dengan melihat beberapa informasi dan pola data yang ada (Mustakim, 2015). Salah satu algoritma yang digunakan untuk prediksi adalah K-Nearest Neighbor (K-NN). Algoritma K-NN adalah suatu metode yang menggunakan algoritma supervised learning yaitu, menemukan pola baru dalam data dan menghubungkan pola data yang sudah ada dengan data yang baru (Krisandi et al, 2013). Adapun kelebihan dari K-NN adalah algoritma yang sangat sederhana karena bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan K-NN-nya (Laina dalam Budiyono, 2010).

GhDalam mengolah data Mahasiswa yang berfokus terhadap prediksi, telah banyak dilakukan sebelumnya antara lain pertama, oleh David Hartanto Kamagi tentang implementasi data mining dengan Algoritma C4.5 (Decision Tree) untuk memprediksi tingkat kelulusan Mahasiswa.  Hasil dari penelitian ini adalah sebuah sistem aplikasi berbasis desktop yang berhasil memprediksi kelulusan Mahasiswa dengan persentase 87,5% dari enam puluh data training dan empat puluh data testing (Kamagi, 2014). Kedua, oleh Mustafa dan Simpen yaitu memprediksi kemungkian mahasiswa baru dapat menyelesaikan studi tepat waktu dengan menggunakan analisis data mining untuk menggali tumpukan histori data dengan menggunakan algoritma K-Nearest Neighbor (K-NN). Atribut yang klasifikasikan dalam suatu data mining antara lain nilai ujian nasional (UN), asal sekolah/ daerah, jenis kelamin, pekerjaan dan penghasilan orang tua, jumlah bersaudara. Dari hasil pengujian dengan menerapkan algoritma K-NN dan menggunakan data sampel alumni tahun wisuda 2004 s.d. 2010 untuk kasus lama dan data alumni tahun wisuda 2011 untuk kasus baru diperoleh tingkat akurasi sebesar 83,36%. (Mustafa, 2014)

Dengan diterapkannya  K-NN pada prediksi Indeks Prestasi Mahasiswa diharapkan mampu menghasilkan suatu sistem peringatan dini atau sering dikenal dengan Early Warning System (EWS). Dibangunnya EWS dengan menerapkan algoritma K-NN diharapkan mampu memberikan pengaruhG4 kepada Mahasiswa dalam meningkatkan perkuliahan kedepannya. Sistem EWS yang akan dibangun juga dapat menjadi rujukan oleh dosen Pembimbing Akademik untuk mengontrol dan memberikan pengarahan berdasarkan dari hasil prediksi.

Kesimpulan

Berdasarakan dari analisa perhitungan dan percangan sistem pada bab sebelumnya, diperoleh bebrapa kesimpulan, yaitu ;

  1. Perhitungan algoritma KNN yang diterapkan dalam memprediksi predikat prestasi Mahasiswa mampu menghasilkan akurasi k=5 dengan nilai 69,10%. Pengujian algoritma ini dilakukan menggunakan cross validation sebanyak 3 kali cross dan menggunakan perhitungan akurasi confusion matriks yaitu membandingkan predikat pada data sebelumnya dengan predikat hasil prediksi.
  2. Proses prediksi predikat prestasi Mahasiswa dilakukan dengan membangun sebuah Early Warning System (EWS) berdasarkan algoritma K-Nearest Neighbor (K-NN). Sistem yang dibangun mampu memprediksi sesuai dengan perhitungan Algoritma secara manual. Data yang digunakan adalah 165 record data training dari Mahasiswa angkatan 2012 dan 57 record data testing dari Mahasiswa angkatan 2014.

Referensi

Andriani, Anik. Sistem Pendukung Keputusan Berbasis Decision Treedalam          Pemberian Beasiswa Studi Kasus: Amik “Bsi Yogyakarta. Seminar        Nasional Teknologi Informasi Dan Komunikasi. Yogyakarta. 2013

Bodiyono, E.P. Analisa Klasifikasi Kadar Karat Emas  Menggunakan Metode K-   Nearest Neighbours (KNN). Universitas Maritim Raja Ali Haji. 2010

Dzako, Haidar. Basis Data (Database). Gunadarma. 2007

Fathansyah, Ir. Buku Teks Ilmu Komputer Basis Data. Informatika Bandung : Bandung. 1999

Gustianti. Algoritma Nearest Neighbor Untuk Menentukan Area Pemasaran           Produk Batik Di Kota Pekalongan. Jurnal Ilmiah ICTech Vol.x.  STMIK    Widya Pratama. 2012

Hidayat, Amir Syarif. Panduan dan Informasi Akademik 2012/ 2013 UIN Suska    Riau. Pekanbaru. 2012

Jananto, Arief. Perbandingan Performansi Algoritma Nearest Neighbor      dan      SLIQ untuk Prediksi Kinerja Akademik Mahasiswa Baru ( Studi Kasis       Data Akademik Mahasiswa Fakultas Teknologi Informasi UNISBANK).             Jurnal Teknologi Informasi DINAMIK, Vol : XV. Universitas Stikubank   Semarang. 2010

Jayanti, Ririn Dwi. Aplikasi Metode K-Nearest Neighbor Dan Analisa         Diskriminan Untuk Analisa Resiko Kredit Pada Koperasi Simpan Pinjam           Di  Kopinkra Sumber Rejeki. Prosiding Seminar Nasional Aplikasi Sains     dan Teknologi (SNAST). Yogyakarta. 2014

Kadir, Abdul. Pengenalan Sistem Informasi. Andi Offset : Yogyakarta. 2003

Kamagi. Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi     Tingkat Kelulusan Mahasiswa. Skripsi. Universitas Multimedia Nusantara.   Tangerang. 2014

Krisandi, Nobertus dkk. Algoritma K-Nearest Neighbor Dalam Klasifikasi Data Hasil Produksi Kelapa Sawit Pada PT. Minamas  Kecamatan      Parindu. Jurnal Bimaster, Vol : 2.  2013

Leidiyana. Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan      Resiko Kredit Kepemilikan Kendaraan Bemotor. Jurnal Penelitian Ilmu          Komputer, System Embedded & Logic, Vol : 1.  STMIK Nusa Mandiri.             2010

Mustafa. Perancangan Aplikasi Prediksi Kelulusan Tepat Waktu Bagi         Mahasiswa Baru Dengan Teknik Data Mining (Studi Kasus : Data     Akademik Mahasiswa STMIL Dipanedgara Makassar). Citec Jurnal Vol :   1. STMIK Dipanegara. 2014

Mustakim. Pengembangan Aplikasi Prediksi Penyakit Berbahaya Di           Provinsi Riau Berdasarkan Model Markov Chains. Jurnal Manajemen dan          Rekayasa Sistem Informasi, Vol : 1. Universitas Islam Negri Sultan Syarif Kasim Riau. Pekanbaru. 2015

Nugroho, Adi. Analisis dan Perancangan Sistem Informasi dengan Metode Berorientasi Objek. Informatika Bandung : Bandung. 2002

Pramudiono,I, 2006, Apa itu Data Mining ? dalam                http://datamining.japati.net/cgibin/indodm.cgi?bacaarsip%115552761&artikel     , diakses tanggal 16 November 2015

Romadani. Prediksi Kelulusan Siswa Smk Menggunakan Algoritma K-NN. Universitas Dian Nuswntoro, 2013

Rohman,  Model Algoritma K-Nearest Neighbor (K-Nn) Untuk Prediksi Kelulusan             Mahasiswa. Universitas Pandanaran : Semarang. 2012

Santoso, B. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan          Bisnis (1 ed.). Yogyakarta: Graha Ilmu.

Sholiq. Pemodelan Sistem Informasi Berorientasi Objek dengan UML. Graha         Ilmu : Yogyakarta. 2006

Sidik, Betha. Pemrograman Web dengan PHP, Bandung : Informatika. 2012

Sutomo. Mengenal Sistem Peringatan Dini. Sony AK Knowledge Center. 2005

Syafitri, Nesi. Perbandingan Metode K-Nearest Neighbor (Knn) Dan Metode         Nearest Cluster Classifier (NCC) Dalam Pengklasifikasian Kualitas Batik         Tulis.   Jurnal Teknologi Informasi & Pendidikan. Vol: 2. STMIK Padang. 2010

Turban, E dkk . Decicion support systems and intelligent system.      Yogyakarta:    andi Offset. 2005.

Sumber Dokumen:

Tugas Akhir Program Studi Sistem Informasi UIN Sultan Syarif Kasim Riau Tahun 2016, Giantika Oktafiani F  NIM 11253201986 Dibimbing oleh Mustakim, S.T., M.Kom.

  1. 9 Maret 2019 pukul 6:53 am

    keren, jadi ingat masa2 kuliah

    Suka

  1. No trackbacks yet.

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google

You are commenting using your Google account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

%d blogger menyukai ini: