Komparasi algoritma K-Nearest Neighbor (KNN) dan Classification and Regression Trees (CART) untuk klasifikasi tingkat pengetahuan pengguna e-learning adaptif / Aditya Cahyadi Putra

Putra, Aditya Cahyadi (2020) Komparasi algoritma K-Nearest Neighbor (KNN) dan Classification and Regression Trees (CART) untuk klasifikasi tingkat pengetahuan pengguna e-learning adaptif / Aditya Cahyadi Putra. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

RINGKASAN Putra, Aditya Cahyadi. 2019.KomparasiAlgoritmaK-Nearest Neighbor (KNN) dan Classification and Regression Trees (CART)untukKlasifikasiTingkat PengetahuanPengguna E-Learning Adaptif.Skripsi. Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang. Pembimbing: (I) Harits Ar Rosyid, S.T., M.T., Ph.D. (II) Utomo Pujianto, S.Kom., M.Kom. Kata kunci KNN, CART, Klasifikasi, Machine Learning, E-Learning Adaptif. Gaya belajarseseorang yang merujuk pada cara belajar yang disukai merupakandasarpengembangansisteme-learningadaptif. Denganmengetahuigayabelajar yang spesifik, sistemdapatmemberikanrekomendasi dan menawarkanintruksikepadaseseorangbagaimanamengoptimalkan proses belajar. Selainitusisteme-learningadaptifdapatmengatasikekurangan pada metodedeteksikonvensional yang menggunakankuesioner. Gaya belajar yang tepatsangatdibutuhkan, karenadapatmenunjang pencapaian tingkatpengetahuanseseorangdalambelajar. Tujuandaripenelitianiniadalahmembandingkanmetodedata mining yang efektifuntukmengklasifikasikantingkatpengetahuanpenggunae-learningadaptifdenganalgoritmaK-Nearest Neighbor (KNN) dan Classification and Regression Trees (CART). Algoritma KNN termasukalgoritmasupervised learning yang didasarkandenganmencarikedekatanatributpenelitian dan mengklasifikasikanberdasarsuaraterbanyakdaritetangga yang ditemukan. Algoritma CART termasukalgoritmadari Teknik pohonkeputusan yang menggambarkanstatistic nonparametrikdariatributpenelitian. Atribut yang digunakanadalahwaktubelajar, jumlahpengulangan, hasilujian, dan tingkatpengetahuan. Atributtersebutdiambildariuser modelling yang menggunakansistempembelajaranberbasisAdaptive Educational Intelegent Hypermedia System (AEIHS). Hasildaripenelitianinidiharapkandapatmenjadipanduanuntukmengembangkan Pendidikan berbasis AEIHS ataue-learningadaptif.

Item Type: Thesis (Diploma)
Subjects: ?? ??
Divisions: Fakultas Teknik (FT) > Jurusan Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User: Users 2 not found.
Date Deposited: 02 Jan 2020 04:29
Last Modified: 09 Sep 2020 03:00
URI: http://repository.um.ac.id/id/eprint/99043

Actions (login required)

View Item View Item