RATIKA FITRIANI (2018) PERBANDINGAN METODE REGRESI LINIER DENGAN K-NEAREST NEIGHBOR DALAM PROSES SELEKSI BEASISWA. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 1. COVER_2018220TIF.pdf Download (197kB) | Preview
Preview	Text 2. PENGESAHAN_2018220TIF.pdf Download (1MB) | Preview
Preview	Text 3. ABSTRAK_2018220TIF.pdf Download (133kB) | Preview
Preview	Text 4. KATA PENGANTAR_2018220TIF.pdf Download (222kB) | Preview
Preview	Text 5. DAFTAR ISI_2018220TIF.pdf Download (106kB) | Preview
Preview	Text 7. BAB II_2018220TIF.pdf Download (371kB) | Preview
Preview	Text 8. BAB III_2018220TIF.pdf Download (132kB) | Preview
Preview	Text 9. BAB IV_2018220TIF.pdf Download (593kB) | Preview
	Text 10. BAB V_2018220TIF.pdf Restricted to Repository staff only Download (476kB)
Preview	Text 11. BAB VI_2018220TIF.pdf Download (138kB) | Preview
Preview	Text 12. DAFTAR PUSTAKA_2018220TIF.pdf Download (169kB) | Preview

Abstract

Selama ini seringkali ditemukan beasiswa yang diberikan kepada mahasiswa masih bersifat subjektif, tidak transparan, tidak terukur, dan kurang tepat pada sasarannya. Salah satu teknologi komputer yang digunakan untuk mengolah data yang besar seperti proses seleksi beasiswa adalah data mining. Berbagai metode data mining dapat digunakan untuk memprediksi kelayakan suatu data diantaranya adalah metode K-Nearest Neighbour(KNN) dan Regresi Linear. Penelitian ini membandingkan kedua metode diatas dalam menyelesaikan permasalahan proses seleksi beasiswa. Atribut yang digunakan Kedudukan Semester, Indeks Prestasi Kumulatif,Surat Keterangan Aktif Kuliah, Surat Permohonan Bantuan, Kartu Tanda Mahasiswa, Kartu Tanda Penduduk,Kartu Keluarga, Kartu Hasil Studi, Surat Pernyataan, Rekening Bank, Surat Keterangan Lulus Administrasi.Variabel yang digunakan dalam proses perbandingan adalah Akurasi, Precision, Recall, Clasifikasi Error, Absolute Error, dan Root Mean Square Error (RMSE). Data dari 8212 proses seleksi beasiswa diuji dengan simulasi pengujian data latih dan data uji 90:10, 70:30, 50:50, 30:70, dan 10:90. Tool Rapidminer dipergunakan untuk melihat hasil analisis kedua metode. Dari hasil pengujian diperoleh untuk simulasi data 90:10 dan 70:30 nilai akurasi, precision, recall, Clasifikasi Error, Absolute Error, dan RMSE hasil yang diperoleh adalah metode regresi linier lebih unggul, sementara untuk data 50:50, 30:70 dan 10:90 KNN memiliki performansi yang lebih baik secara akurasi, precision, recall, classification error, absolute error,dan RMSE. Penerapan kedua metode KNN dan Regresi Linear telah berhasil diterapkan untuk proses seleksi beasiswa. Perbandingan yang dilakukan telah berhasil menunjukkan bahwa metode KNNdan Regresi Liniermemiliki efektifitas dan efisiensi yang baik dilihat dari sisi Akurasi, Precision, Recall, Clasification Error, Absolute Error, RMSE. Sehingga diharapkan proses seleksi beasiswa dapat dilakukan dengan lebih baik, transparan, tidak lagi subjektif dan sesuai dengan targetyang diharapkan.Kata Kunci : Regresi Linier, K-Nearest Neigbor, Data mining

Actions (login required)

View Item