Aziz, Jordan Abdul (2020) Algoritma random forest untuk prediksi jurusan IPA diterima pada SNMPTN berdasarkan nilai rapor / Jordan Abdul Aziz. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
RINGKASAN Abdul Aziz Jordan. 2019. Algoritma Random Forest untuk Prediksi Jurusan IPA Diterima Pada SNMPTN Berdasarkan Nilai Rapor. Skripsi Program studi S1 Teknik Informatika Jurusan Elektro Fakultas Teknik Universitas Negeri Malang. Pembimbing (I) Utomo Pujianto S.Kom. M.Kom. (II) Agusta Rakhmat Taufani S.T. M.T. Kata Kunci Klasifikasi SNMPTN Nilai Rapor Random Forest SMOTE. Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) adalah salah satu bentuk jalur seleksi penerimaan mahasiswa untuk masuk Perguruan Tinggi Negeri (PTN) dengan menggunakan nilai rapor. Nilai rapor merupakan salah satu komponen penilaian penerimaan mahasiswa baru untuk masuk Perguruan Tinggi lewat jalur SNMPTN. Perbedaan standar antar perguruan tinggi dalam menetukan kelulusan siswa pendaftar snmptn menyebabkan munculnya kebutuhan untuk memprediksi berdasarkan sejumlah faktor terkait. Sebagai solusi akan permasalahan SNMPTN yang sebelumnya telah dijelaskan metode data mining khususnya klasifikasi dengan algortima Random Forest diharapkan mampu membantu memprediksi kemungkinan siswa diterima pada jalur SNMPTN berdasarkan nilai rapor siswa dan juga ditambah dengan faktor pendukung lain seperti faktor alumni prestasi non-akademis dan prioritas pilihan jurusan pada saat pendaftaran SNMPTN. metode klsifikasi juga dapat membangun model yang nantinya akan dipakai sebagai acuan untuk proses klasifikasi berdasarkan contoh contoh yang telah dipelajari. Tahapan pertama yang dilakukan dalam penelitian ini adalah pemerolehan dataset. Tahap ini dimulai dengan pengambilan data dari situs www.halokampus.com. Data yang digunakan dalam proses penelitian ini adalah data Mahasiswa yang telah diterima SNMPTN.Karena tidak semua data digunakan dan untuk menghilangkan data yang kurang sempurna atau memperbaiki data tersebut kemudian apakah data tersebut persebarannya merata atau tidak maka perlu dilakukan pengolahan data awal atau bisa disebut dengan tahap pre-processing. yang nantinya dataset hasil pre-processing dapat digunakan untuk proses selanjutnya yaitu proses klasifikasi menggunakan algoritma Random Forest. kemudian juga dilakukan pengujian terhadap metode oversampling dengan metode SMOTE apakah dapat mempengaruhi hasil klasifikasi atau tidak. Maka dari itu penelitian ini menerapkan dua skenario yaitu dengan dilakukan oversampling dan dan tidak dilakukan oversampling.Tahap terakhir adalah melakukan evaluasi terhadap performa Algortima Random Forest dan hasil perbandingan antara skenario satu dan skenario dua dalam penerapannya untuk mengklasifikasi pilihan jurusan diterima pada SNMPTN berdasarkan nilai rapor menggunakan Confusion Matrix dengan melihat nilai akurasi presisi dan Recall. Dari hasil penelitian yang telah dilakukan didapatkan bahwa metode Random Forest dapat digunakan untuk memprediksi pilihan jurusan diterima pada SNMPTN berdasarkan nilai rapor yang didapat dari hasil pengklasifasikan pilihan jurusan diterima pada Seleksi Nasional Masuk Perguruan Tinggi (SNMPTN) dengan dataset survey nilai rapor siswa yang diterima SNMPTN ditambah dengan faktor pendukung lain seperti prioritas pemilihan jurusan akreditasi sekolah faktor alumni dan prestasi non akademik. Hasil klasifikasi terbaik menggunakan algoritma Random Forest ditunjukkan oleh skenario 2 disertasi dengan oversampling hal ini ditunjukkan dengan hasil rata-rata akurasi presisi dan Recall sebesar 93%. Penggunaan teknik oversampling dengan metode SMOTE pada kelas minoritas sangat berpengaruh pada keberhasilan proses klasifikasi ini karena masalah imbalance class.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | ?? ?? |
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | Users 2 not found. |
| Date Deposited: | 08 Jan 2020 04:29 |
| Last Modified: | 09 Sep 2020 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/99045 |
Actions (login required)
 |
View Item |