KLASIFIKASI CALON PENERIMA BIDIKMISI DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

Hilda Nur Zerlinda, Isnandar Slamet, Etik Zukhronah

Abstract


Program beasiswa bidikmisi merupakan program bantuan yang diberikan oleh Kementerian Riset Teknologi dan Pendidikan Tinggi untuk peserta didik yang kurang mampu dalam ekonomi namun memiliki potensi yang baik dalam melanjutkan pendidikan ke jenjang yang lebih tinggi, yaitu perguruan tinggi. Pendaftar bidikmisi di UNS selalu mengalami peningkatan setiap tahunnya, namun kuota peserta yang diterima tidak sebanding dengan jumlah pendaftar. Penelitian ini bertujuan untuk mengklasifikasikan calon penerima bidikmisi UNS menggunakan algoritma K-Nearest Neighbor. Pada penelitian ini, digunakan sebanyak 2039 data pendaftar bidikmisi dengan beberapa variabel independen, seperti penghasilan orang tua, pekerjaan ayah dan ibu, jumlah tanggungan, luas tanah, sumber air, dan kepemilikan rumah. Tahap yang dilakukan pada penelitian ini yaitu menormalisasikan data, membagi data menjadi data training dan data testing serta menentukan nilai k. Berdasarkan hasil perhitungan dengan menggunakan algoritma K-NN, diperoleh nilai akurasi sebesar 84.4% dan nilai kappa sebesar 0.63 yang berarti bahwa hasil klasifikasi sudah sangat bagus.


Full Text:

PDF

References


Aulia, S., Hadiyoso, S., dan Ramadan D N. 2015. Analisis Perbandingan KNN dengan SVM untuk Klasifikasi Penyakit Diabetes Retinopati berdasarkan Citra Eksudat dan Mikroaneurisma. Jurnal ELKOMIKA Vol. 3 No. 1 2338-8323

Han, J and Kamber, M. 2006. Data Mining Concepts and Techniques, second edition. Morgan Kaufmann, California.

Juliardi, M S. 2017. Universitas Sebelas Maret Bidikmisi Applicant’s Classification using C4.5 Algorithm. Jurnal Ilmiah Teknologi dan Informasi Vol. 6 No. 1 2301-7201.

Landis, J R., & Koch, G G. 1977. The Measurement of Observer Agreement For Categorical Data. Biometrics. https://www.jstor.org/stable/2529310. diakses pada 18 Februari 2019.

Liu, B. 2007. Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. Springer: Heidelberg, Dordrecht, London, New York.

Mullin, M dan Suthankar, R. 2000. Complete Cross-Validation for Nearest Neighbor Classifiers. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.70.9106. diunduh pada tanggal 26 Februari 2019.

Putri R E. 2014. Perbandingan Metode Klasifikasi Naive Bayes dan K-Nearest Neighbor Pada Analisis Data Status Kerja di Kabupaten Demak Tahun 2012. Jurnal Gaussian Vol. 3 No. 4 Hal. 831-838.

Ristekdikti. 2018. Pedoman Bidikmisi 2018. Ristekdikti, Jakarta.

Rozaq, A. 2016. Case Base Reasoning untuk Menentukan Kebutuhan Bahan Bangunan Rumah. Universitas Gajah Mada, Yogyakarta.

Tribun Jateng. 2018. http://jateng.tribunnews.com/2018/04/17/selamat-1902-calon-mahasiswa-diterima-uns-solo-melalui-jalur-snmptn-2018. diakses pada 18 Februari 2019.

Yunita, D. 2017. Perbandingan Algoritma K-Nearest Neighbor dan Decision Tree untuk Penentuan Risiko Kredit Kepemilikan Mobil. Jurnal Informatika Universitas Palembang Vol. 2 No. 2.




DOI: http://dx.doi.org/10.31000/cpu.v0i0.1686

Article Metrics

Abstract - 651 PDF - 581

Refbacks

  • There are currently no refbacks.