Penerapan Algoritma K-Nearest Neighbor Untuk Prediksi Mahasiswa Berpotensi Dropout

Abstract

Peramalan atau prediksi mahasiswa berpotensi dropout digunakan untuk memonitor jumlah mahasiswa aktif agar perkuliahan lancar dan lulus tepat waktu. Prediksi menggunakan algoritma K-NN digunakan karena salah satu kelebihannya yaitu tangguh terhadap training data yang noise dan efektifapabila data latih nya besar. Setelah didapat hasil dari proses K-NN lalu dilakukan pengujian menggunakan confusionmatrix menghasilkan nilai akurasi 0,83. Nilai presisi 1 dan nilai recall 0,78.

Analisis Sentimen Pada Ulasan Pengguna Terhadap Aplikasi Pembelajaran Bahasa Duolingo: Menggunakan Algoritma Naïve Bayes Dan K-Nearest Neighbor

“…Metode Naive Bayes Calssifier digunakan untuk mengklasifikasikan teks dalam analisis sentimen [ [16] dimungkinkan untuk melakukan klasifikasi berdasarkan tetangganya yang terdekat, dengan menggunakan mayoritas kelas dari tetangganya tersebut untuk memprediksi kelas dari objek yang akan diklasifikasikan. Persamaan K-Nearest Neighbor (KNN) dapat digambarkan sebagai berikut [17]:…”

Rice Classification with K-Nearest Neighbor based on Color Feature Extraction and Invariant Moment

“…Setiap data dihitung jaraknya menggunakank pengukuran jarak Euclidian [18]. Sejumlah k tetangga terdekat pada data dikelompokan Setelah mencari sejumlah k objek data yang paling dekat jaraknya dengan data uji yang diberikan, kemudian memilih kelas dengan jumlah voting terbanyak [19].…”

“…Pemodelan algoritma yang telah dibuat akan dievaluasi untuk melihat seberapa bagus kinerja sistem melalui nilai akurasi yang didapatkan. Tingkat akurasi ini akan dihasilkan menggunakan data testing, data testing lalu akan di prediksi melalui data training yang sudah ada menggunakan confusion matrix [19]. Dikarenakan pada dataset menggunakan tiga kelas, sehingga penelitian menggunakan multiple confusion matrix 3 x 3 sebagai berikut:…”