SKRIPSI Jurusan Teknik Elektro - Fakultas Teknik UM, 2019

Ukuran Huruf:  Kecil  Sedang  Besar

METODE K-NEAREST NEIGHBOR UNTUK PREDIKSI PENERIMAAN SNMPTN BERDASARKAN NILAI RAPOR

Maulana Aris

Abstrak


RINGKASAN

Maulana, Aris. 2019. Metode K-Nearest Neighbor Untuk Prediksi Penerimaan SNMPTN Berdasarkan Nilai Rapor. Skripsi. Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang. Pembimbing: (I) Utomo Pujianto, S.Kom., M.Kom., Pembimbing: (II) Harits Ar Rosyid, S.T., M.T., Ph.D.

Kata kunci : Nilai Rapor, K-Nearest Neighbor, SMOTE, Klasifikasi, SNMPTN

Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) merupakan salah satu jalur seleksi penerimaan mahasiswa untuk memasuki Perguruan Tinggi Negeri (PTN) di Indonesia. Dikarenakan SNMPTN memiliki kuota penerimaan sebesar 20%, jadi dengan memprediksi jalur tersebut nantinya akan membantu siswa dalam menentukan keputusan ketika ingin mendaftar SNMPTN. Penelitian ini menguji kinerja salah satu algortima data mining dalam hal memprediksi diterima atau tidaknya seorang siswa dalam SNMPTN.  

Metode K-Nearest Neighbor merupakan metode yang baik dalam training data dengan tingkat noise yang tinggi serta K-Nearest Neighbor juga efektif dalam training data yang besar dan baik digunakan ketika atribut yang digunakan bertipe numerik. Dengan menggunakan metode K-Nearest Neighbor dalam implementasinya diharapkan dapat memprediksi kesempatan diterima di PTN yang diinginkan. Dataset yang digunakan berasal dari nilai rapot alumni SMAN 1 Pakong, SMAN 8 Kediri dan SMAN 1 Pamekasan dengan menggunakan input ratarata dari semester 1 sampai semester 5, mata pelajaran wajib dan jurusan. Dataset yang digunakan memiliki masalah imbalance class sehingga membutuhkan tahap preprocessing, dengan menggunakan metode SMOTE yang digunakan untuk menyelesaikan masalah imbalance class.  

Penelitian ini menghasilkan keluaran yang akan berupa keterangan apakah siswa memiliki kesempatan diterima SNMPTN atau tidak. K-Nearest Neighbor dengan SMOTE memiliki performa terbaik ketika K = 3 yang memiliki nilia akurasi 80,08%, precision 74,42%, recall 91,68% dan error rate 19,91%.