Analisis Penggunaan Algoritma Klasifikasi Dalam Prediksi Kelulusan Menggunakan Orange Data Mining

Safitri, Dinda; Hilabi, Shofa Shofiah; Nurapriani, Fitria

doi:10.36341/rabit.v8i1.3009

Cited by 7 publications

(5 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Application of K-Nearest Neighbor, At this stage, the K-Nearest Neighbor method will be used for data mining on data that is ready to be processed. The K-Nearest Neighbor (K-NN) method is a technique for categorizing new objects according to their K nearest neighbors [14], [15]. The calculation steps of the K-NN method are as follows: a.…”

Section: Methodsmentioning

confidence: 99%

Application of the K-Nearest Neighbor Method to Predict Demand for Goods from Customers at PT Sinergi Prima Enjineering

Angraeni,

Priyatna,

Hananto

et al. 2024

Jurnal Install

View full text Add to dashboard Cite

PT Sinergi Prima Enjineering, which is engaged in services, has been trusted as a contractor in several companies facing challenges in handling the large number of requests for goods and stock inventory management. This research aims to improve the prediction of demand for goods and inventory management using the calculation of the K-Nearest Neighbor (KNN) method and RapidMiner tools. With the comparison of calculations between KNN and RapidMiner using ten test data, the results are appropriate where the categorical grouping is often ordered totaling five data, moderately ordered totaling two data and rarely ordered totaling three data. The test results show that K = 3 produces a prediction accuracy of 91.98%. These results show that K-Nearest Neighbor can accurately anticipate future stock inventory and items that will be ordered by customers and it is hoped that the company can improve customer satisfaction and overall operational performance.

show abstract

Section: Methodsmentioning

confidence: 99%

Application of the K-Nearest Neighbor Method to Predict Demand for Goods from Customers at PT Sinergi Prima Enjineering

Angraeni,

Priyatna,

Hananto

et al. 2024

Jurnal Install

View full text Add to dashboard Cite

show abstract

“…Setelah didapatkannya data untuk memulai proses dalam peenyelesaian masalah maka dilakukan proses implementasi terhadap metode yang akan digunakan yaitu metode MOORA dan metode SMARTER . Berikut alur ataupun tahapan dalam penelitian ini seperti pada Gambar 1 [16].…”

Section: Pengumpulan Dataunclassified

Pemilihan Platform Film Streaming Menggunakan Metode SMARTER dan MOORA

Saputri,

Hilabi,

Nurapriani

et al. 2024

MALCOM

View full text Add to dashboard Cite

Sektor industri perfilman telah menjadi aspek tontonan wajib dalam masyarakat, saat ini film menjadi suatu hiburan yang populer di Indonesia. Kemajuan teknologi dan digitalisasi memfasilitasi akses mudah menonton film, masa transisi dari penggunaan DVD/VCD ke Blu-Ray sebagai media untuk menikmati film yang mendapatkan daya tarik pada masanya. Perkembangan internet dan platform online yang semakin pesat telah mengubah industri dunia perfilman, banyak sekali bermunculan berbagai layanan streaming yang menawarkan kemudahan untuk menonton film kapan saja dan dimana saja. Maraknya kemudahan menonton film streaming dengan tersedianya berbagai platform film masih banyak terdapat perbedaan beberapa aspek baik tampilan maupun layanan yang ditawarkan, sehingga penelitian ini memberikan wawasan dan rekomendasi mengenai opsi streaming yang baik. Dalam penelitian ini menggunakan metode MOORA dan SMARTER Kedua metodologi menghasilkan hasil yang sebanding pada nilai tertinggi yaitu Netflik sebagai platform film streaming paling aman dengan skor 0,421 pada metode SMARTER dan 0,582 pada metode MOORA , dan mengalami selisih perbedaan yang tidak terlalu signifikah terkait peroleh nilai tertinggi kedua, Dimana pada metode SMARTER di peroleh oleh Disney Hotstar dengan nilai 0,377sedangkan pada metode MOORA nilai tertinggi kedua di peroleh oleh Iflix dengan nilai0,297sehingga kedua metode ini sangat ideal untuk digunakan.

show abstract

“…Beberapa penelitian yang telah berhasil dilakukan terkait penerapan metode klasifikasi menerapkan algoritma K-Nearest Neighbor (K-NN), seperti yang terlihat pada penelitian [15] dalam upaya memprediksi kelulusan mahasiswa, digunakan tiga pendekatan yaitu naïve bayes, K-Nearest Neighbor (K-NN), dan Neural Network. Dari beberapa algoritma ini K-Nearest Neighbor (K-NN) menjadi yang paling baik dengan nilai akurasi 89%.…”

Section: Pendahuluanunclassified

Implementasi Algoritma K-Nearest Neighbor Untuk Menentukan Klasifikasi Kelulusan Mahasiswa Teknik Informatika

Andriani,

Nazir,

Candra

et al. 2023

JoSYC

View full text Add to dashboard Cite

Kinerja sebuah universitas dapat dinilai semakin baik jika terdapat peningkatan jumlah mahasiswa yang berhasil menyelesaikan masa studinya tepat waktu. Perguruan tinggi harus meningkatkan kualitas akademik mahasiswa dalam proses perkuliahan untuk hasil yang optimal. Namun kenyataannya banyak keterlambatan kelulusan mahasiswa pada Universitas Islam Negri Sultan Syaif Kasim Riau terkhusus jurusan Teknik Informatika ini yang menjadi permasalahan. Oleh karena itu dibutuhkannya sebuah analisa mengklasifikasi data kelulusan mahasiswa dengan memanfaatkan proses data mining. Penelitian ini menerapkan algoritma K-Nearest Neighbor (K-NN) pada proses klasifikasi. Tujuan penelitian ini adalah hasil dari klasifikasi kelulusan ini diharapkan dapat memberikan kontribusi bagi pihak fakultas teknik dan universitas dalam melakukan evaluasi dan perbaikan terhadap sistem pembelajaran, sehingga menghasilkan lulusan tepat waktu dan berkualitas. Data yang digunakan pada penelitian ini sebanyak 613 data 5 tahun terakhir dari tahun 2016 hingga 2020 dengan pembagian data dengan rasio 80 data untuk pelatihan (training) dan 20 data untuk pengujian (testing). Hasil evaluasi confusion matrix dari K = 3, K = 5, K = 7 menghasilkan akurasi tertinggi diperoleh ketika K = 3 dengan akurasi 93,06%, presisi 99,09%, dan recall 99,58%. Dari hasil penelitian, dapat ditarik kesimpulan bahwa penerapan data mining berhasil menciptakan model klasifikasi dengan memanfaatkan algoritma K-Nearest Neighbor (K-NN) dalam mengklasifikasikan status kelulusan mahasiswa pada program sudi Teknik Informatika di Universitas Islam Negeri Sultan Syarif Kasim Riau

show abstract

Analisis Penggunaan Algoritma Klasifikasi Dalam Prediksi Kelulusan Menggunakan Orange Data Mining

Cited by 7 publications

References 6 publications

Application of the K-Nearest Neighbor Method to Predict Demand for Goods from Customers at PT Sinergi Prima Enjineering

Application of the K-Nearest Neighbor Method to Predict Demand for Goods from Customers at PT Sinergi Prima Enjineering

Pemilihan Platform Film Streaming Menggunakan Metode SMARTER dan MOORA

Implementasi Algoritma K-Nearest Neighbor Untuk Menentukan Klasifikasi Kelulusan Mahasiswa Teknik Informatika

Contact Info

Product

Resources

About