Model Prediksi Keketatan Lolos SNMPTN Menggunakan Algoritma K-Nearest Neighbor

Ikriya Hanum, Yus Sholva, Helen Sastypratiwi, Fauzan Asrin

Sari


Abstrak: Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) adalah pola penerimaan melalui penelusuran kemampuan dan prestasi akademik sebagai sistem seleksi nasional. Siswa dapat membandingkan prestasi dengan peserta pada tahun-tahun sebelumnya yang telah lolos SNMPTN menggunakan data rapor yang digunakan pada SNMPTN dan data keketatan jurusan perguruan tinggi yang terdapat pada website LTMPT. Proses ini dapat dibantu dengan menggunakan algoritma data mining, yaitu K-Nearest Neighbor (K-NN) untuk prediksi. Tujuan pada penelitian ini adalah untuk memprediksi keketatan jurusan pada SNMPTN serta menganalisis performa dari algoritma yang digunakan dalam proses prediksi. Pada penelitian ini, algoritma K-Nearest Neighbor akan diujikan untuk melihat parameter terbaik pada algoritma dengan perhitungan nilai root mean square error (RMSE) pada parameter yang diujikan. Hasil evaluasi menggunakan Leave One Out cross-validation menunjukkan bahwa algoritma K-Nearest Neighbor yang memberikan hasil performa untuk prediksi paling baik dengan nilai k (jumlah data terdekat) =11 pada jurusan IPA dan nilai k (jumlah data terdekat) =13 pada jurusan IPS. Setelah didapatkan performa terbaik pada algoritma K-Nearest Neighbor, maka model algoritma tersebut digunakan untuk memprediksi keketatan jurusan pada SNMPTN melalui aplikasi yang dibangun pada penelitian.

Kata kunci: prediksi, k-nearest neighbor, SNMPTN, data rapor, keketatan jurusan 

Abstract: SNMPTN is a national standardized university admission process that uses academic achievement and performance as requirements. Students can compare their achievements with those of participants in previous years who have passed using report cards and the acceptance rate information from the LTMPT website. This process can be helped with the predictive data mining algorithm K-Nearest Neighbor (K-NN). The purpose of this study is to predict the acceptance rate for SNMPTN college majors and analyze the performance of the algorithms used in the prediction process. In this study, the K-Nearest Neighbor algorithm will be tested to determine the best parameters in the algorithm by calculating the root mean square error (RMSE) value for the parameters tested. The results of the evaluation using the Leave One Out cross-validation show that the K-Nearest Neighbor algorithm gives the best performance results for the best predictions with a value of k (number of closest data) =11 in the Sciences department and a value of k (closest amount of data) =13 in the Social Sciences department. After obtaining the best performance model on the K-Nearest Neighbor algorithm, it is used to predict the acceptance rate for SNMPTN college majors through an application built on research.

Keywords: prediction, k-nearest neighbor, SNMPTN, report cards, acceptance rate



Teks Lengkap:

PDF (Indonesia)
Diterbitkan: 2023-07-29


DOI: https://doi.org/10.47324/ilkominfo.v6i2.205

Article Statics

Abstract views : 327 times
PDF (Indonesia) download = 175 times

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License

_______________________________________________________________________________________________________________________

                                                 

          

______________________________________________________________________________________________________________________________

INFORMASI DAN KONTAK JURNAL LPPM AIKOM TERNATE

 

_________________________________________________________________________________________________________________________