PREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN KOMBINASI ALGORITMA BAYESIAN NETWORK DAN K-NEAREST NEIGHBORS

Windarti, Mariana (2016) PREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN KOMBINASI ALGORITMA BAYESIAN NETWORK DAN K-NEAREST NEIGHBORS. S2 thesis, UAJY.

	Text (Halaman Judul) 0MTF02105.pdf Download (883kB)
	Text (Bab I) 1MTF02105.pdf Download (184kB)
	Text (Bab II) 2MTF02105.pdf Download (769kB)
	Text (Bab III) 3MTF02105.pdf Restricted to Registered users only Download (900kB)
	Text (Bab IV) 4MTF02105.pdf Restricted to Registered users only Download (731kB)
	Text (Bab V) 5MTF02105.pdf Download (742kB)

Abstract

Salah satu faktor yang mempengaruhi kualitas sebuah perguruan tinggi adalah kinerja mahasiswa yang dapat diukur melalui lamanya masa studi. Semakin cepat masa studi mahasiswa maka kinerja mahasiswa semakin baik, begitu juga sebaliknya. Badan Akreditasi Nasional Perguruan Tinggi (BAN PT) bertugas untuk menilai kualitas perguruan tinggi. Dengan penilaian tersebut perguruan tinggi akan lebih meningkatkan mutu dan kualitas guna mencapai suatu visi, misi dan tujuan perguruan tinggi. Perguruan tinggi mempunyai peran penting dalam mengelola dan mengevaluasi kinerja mahasiswa khususnya kelulusan mahasiswa. Data pada perguruan tinggi belum dimanfaatkan untuk memahami kondisi sebuah perguruan tinggi dalam rangka perbaikan mutu & kualitas. Proses untuk mendapatkan informasi yang berguna dari sejumlah data yang besar sehingga didapat suatu pengetahuan disebut data mining (penambangan data). Pada penelitian ini akan dibuat sebuah aplikasi untuk memprediksi masa studi mahasiswa Universitas Widya Dharma (UNWIDHA) Klaten berbasis desktop dengan mengimplementasikan kombinasi algoritma Bayesian Network (BN) dan K-Nearest Neighbors (KNN). Penelitian ini bertujuan menggali informasi yang bisa digunakan dari data pelatihan alumni mahasiswa UNWIDHA Klaten untuk memprediksi masa studi mahasiswa berdasarkan IPK 2 semester pertama, nilai ujian nasional (UN), penjurusan sekolah, lulusan sekolah, jalur masuk perguruan tinggi dan hasil tes masuk. Hasil prediksi dikelompokkan kedalam enam kelas yaitu masa studi < 4 tahun, masa studi >= 4 tahun dan masa studi < 4.5 tahun, masa studi >= 4.5 tahun dan masa studi < 5 tahun, masa studi >= 5 tahun dan masa studi < 5.5 tahun, masa studi >= 5.5 tahun dan masa studi < 6 tahun dan terakhir masa studi >= 6 tahun. Selain itu, penelitian ini juga untuk menganalisa dan membandingkan kinerja algoritma kombinasi dengan algoritma BN, dan KNN. Hasil dari sistem menunjukkan bahwa algoritma kombinasi memiliki akurasi yang lebih unggul dari pada algoritma BN, dan KNN yaitu sebesar 70 % untuk program studi eksak dan 65 % untuk program studi non eksak. Sedangkan untuk waktu komputasi algoritma kombinasi lebih cepat dari pada algoritma KNN tetapi sedikit lebih lama dari algoritma BN.

Actions (login required)

View Item