PREDIKSI PENERIMA BEASISWA UKT MENGGUNAKAN KOMBINASI ALGORITMA K-MEANS & DECISION TREE.

Ahmat Arifin, Farrikh Al Zami, Edi Norsasongko

Abstract


Memperoleh beasiswa merupakan setiap dambaan setiap mahasiswa atau pelajar yang menuntut ilmu di sekolah atau perguruan tinggi, terutama bagi keluarga yang kurang mampu atau keterbatasan secara ekonomi. Beasiswa dapat memperingan beban keluarga dalam hal biaya Pendidikan atau kuliah. Tujuan dari penlitian ini adalah bagaimana memprediksi agar penyaluran beasiswa ini tepat sasaran dengan mengguanakan kombinasi klastering dan kalsifikasi yaitu Algoritma K-Means dan Decision Tree. Dimana penelitian ini mencoba mengelompokkan terlebih dahulu penerima beasiswa menggunakan K-Means. Sedangkan untuk penetuan penerima beasiswa menggunakan decision tree.dalam pengolahan data dalam penilitian ini menggunakan python, terdapat 637 mahasiswa yang mengjukan beasiswa hanya 157 mahasiswa yang berhak untuk mendapatkan beasiswa. Dari hasil pengujian dimana nilai dataset awal yang belum dilakukan preprocessing menggunakan K-Means dan Decision tree adalah sebesar 80 % dan setelah dilakukan pembersihan dataset mennggunakan klusterisasi K-Means hasilnya menjadi 100 %. dalam penelitian ini peneliti berharap bisa memperoleh dataset yang valid dan reliabel guna untuk memberikan masukan dalam pengambilan keputusan


Full Text:

PDF

References


MOHAMAD JAJULI NURUL ROHMAWATI, SOFI DEFIYANTI, “IMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA,” JITTER 2015, VOL. I, NO. 2, PP. 62–68, 2015.

A. Salam, D. Adiatma, and J. Zeniarja, “Implementasi Algoritma K-Means Dalam Pengklasteran untuk Rekomendasi Penerima Beasiswa PPA di UDINUS,” JOINS (Journal Inf. Syst., vol. 5, no. 1, pp. 62–68, 2020, doi: 10.33633/joins.v5i1.3350.

R. Sovia, E. P. W. Mandala, and S. Mardhiah, “Algoritma K-Means dalam Pemilihan Siswa Berprestasi dan Metode SAW untuk Prediksi Penerima Beasiswa Berprestasi,” J. Edukasi dan Penelit. Inform., vol. 6, no. 2, p. 181, 2020, doi: 10.26418/jp.v6i2.37759.

M. Mardison, S. Defit, and S. Alturky, “Prediction of Scholarship Recipients Using Hybrid Data Mining Method with Combination of K-Means and C4.5 Algorithms,” Int. J. Artif. Intell. Res., vol. 5, no. 2, pp. 168–179, 2021, doi: 10.29099/ijair.v5i2.224.

D. Kurniadi, E. Abdurachman, H. L. H. S. Warnars, and W. Suparta, “The prediction of scholarship recipients in higher education using k-Nearest neighbor algorithm,” IOP Conf. Ser. Mater. Sci. Eng., vol. 434, no. 1, 2018, doi: 10.1088/1757-899X/434/1/012039.

P. M. Kellstedt and G. D. Whitten, Data Mining: Concepts and Techniques : Concepts and Techniques. 2018.

X. Gao and S. Wu, “Hierarchical Clustering Algorithm for Binary Data Based on Cosine Similarity,” 8th Int. Conf. Logist. Informatics Serv. Sci. LISS 2018 - Proceeding, no. August 2018, 2018, doi: 10.1109/LISS.2018.8593222.

X. D. Wang, R. C. Chen, F. Yan, Z. Q. Zeng, and C. Q. Hong, “Fast Adaptive K-Means Subspace Clustering for High-Dimensional Data,” IEEE Access, vol. 7, pp. 42639–42651, 2019, doi: 10.1109/ACCESS.2019.2907043.

P. Wang and X. Chen, “Three-Way Ensemble Clustering for Incomplete Data,” IEEE Access, vol. 8, pp. 91855–91864, 2020, doi: 10.1109/ACCESS.2020.2994380.

P. C. Ncr et al., “Crisp-Dm,” SPSS inc, vol. 78, pp. 1–78, 2000, [Online]. Available: http://www.crisp-dm.org/CRISPWP-0800.pdf.

P. Bholowalia and A. Kumar, “EBK-Means: A Clustering Technique based on Elbow Method and K-Means in WSN,” Int. J. Comput. Appl., vol. 105, no. 9, pp. 975–8887, 2014.

Y. Pratama, M. Pasaribu, J. Nababan, D. Sihombing, and D. Gultom, “Selection of Scholarship Recipient by Implementing Genetic Algorithm and Fuzzy Logic,” J. Phys. Conf. Ser., vol. 1933, no. 1, 2021, doi: 10.1088/1742- 6596/1933/1/012069.

Okfalisa, R. Fitriani, and Y. Vitriani, “The comparison of linear regression method and k-nearest neighbors in scholarship recipient,” Proc. - 2018 IEEE/ACIS 19th Int. Conf. Softw. Eng. Artif. Intell. Netw. Parallel/Distributed Comput. SNPD 2018, pp. 194–199, 2018, doi: 10.1109/SNPD.2018.8441068.

Han, J., Kamber, M., & Pei, J. (2011). Data Mining Concepts and Techniques Third Edition. Waltham: Elsevier Inc

Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Berlin: Springer


Refbacks

  • There are currently no refbacks.


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