ANALISIS PERBANDINGAN K-NEAREST NEIGHBORS DAN NAIVE BAYES UNTUK REKOMENDASI PILIHAN PROGRAM STUDI BAGI MAHASISWA
DOI:
https://doi.org/10.36080/idealis.v8i1.3344Keywords:
Akurasi, K-Nearest Neighbors (KNN), Naive bayes, Program Studi, Rekomendasi, Accuracy, recommendation, study programAbstract
Kesulitan memilih program studi bagi lulusan Sekolah Menengah Atas (SMA) dan Sekolah Menengah Kejuruan (SMK) merupakan tantangan besar bagi alumni. Tantangan ketidakpastian karir di masa depan yang sering kali menjadikan proses pemilihan program studi semakin rumit. Tantangan lainnya, banyak alumni siswa SMA belum sepenuhnya memahami minat bakat yang dimiliki. Berbeda dengan lulusan SMK yang telah mendapatkan pendidikan dan pengalaman kerja magang selama di sekolah. Tekanan orang tua, faktor biaya, keterbatasan informasi yang dimiliki alumni mengenai program studi yang diimpikan, serta memilih antara minat dan peluang karir merupakan faktor yang dipertimbangkan bersama orang tua. Dengan demikian, permasalahan penelitian ini adalah tantangan apa saja yang dihadapi oleh lulusan SMA juga SMK dalam memperoleh informasi yang memadai mengenai program studi di perguruan tinggi impian serta bagaimana lulusan mengatasi kebingungan dalam menentukan program studi yang cocok dengan bakat, minat serta prospek kerjanya. Untuk mengatasi hal ini tujuan penelitian memberikan rekomendasi untuk calon mahasiswa dalam menentukan program studi yang cocok berdasarkan latar belakang akademik dan kemampuan calon mahasiwa yang dimiliki. Rekomendasi program studi ini menggunakan metode text mining dengan membandingkan hasil nilai akurasi antara algoritma K-Nearest Neighbors (KNN) dengan algoritma Naive Bayes. Perbandingan algoritma ini mendukung pengambilan keputusan. Data set yang digunakan data mahasiswa tiga angkatan total 347 data. Selanjutnya, data dibagi menjadi data latih dan data uji. Akurasi metode KNN tercatat sebesar 81,16% dengan nilai K=2 dan proporsi data uji sebesar 40%. Akurasi Naive Bayes mencapai 82,61% program studi Teknik Informatika. Hasil akurasi tidak menunjukkan perbedaan yang signifikan, namun metode Naive Bayes menghasilkan akurasi yang lebih tinggi dibandingkan KNN.
Downloads
References
R. Indonesia, Undang-Undang Republik Indonesia Nomor 20 Tahun 2003 Tentang Sistem Pendidikan Nasional. Jakarta: Sekretaris Negara Republik Indonesia, 2003. [Online]. Available: https://shorturl.at/svx8v
H. N. F. Fikrillah and D. Kurniadi, “Rekomendasi Pemilihan Program Studi Menggunakan Algoritma Naïve Bayes,” J. Algoritm., vol. 20, no. 1, pp. 42–49, 2023, doi: 10.33364/algoritma/v.20-1.1236.
W. Handoko and M. Iqbal, “Prediksi Peminatan Program Studi Pada Penerimaan Mahasiswa Baru Stmik Royal Menggunakan Naïve Bayes,” J. Sci. Soc. Res., vol. 4, no. 2, p. 231, 2021, doi: 10.54314/jssr.v4i2.661.
D. Putra and A. Wibowo, “Prediksi Keputusan Minat Penjurusan Siswa SMA Yadika 5 Menggunakan Algoritma Naïve Bayes,” Pros. Semin. Nas. Ris. Dan Inf. Sci., vol. 2, pp. 84–92, 2020, [Online]. Available: https://shorturl.at/wZtwb
S. Nuraeni, S. P. A. Syam, M. F. Wajdi, B. Firmansyah, and M. Malkan, “Implementasi Metode K-NN Untuk Menentukan Jurusan Siswa di SMAN 02 Manokwari,” G-Tech J. Teknol. Terap., vol. 7, no. 1, pp. 89–95, 2023, doi: 10.33379/gtech.v7i1.1905.
M. Y. Putra and D. I. Putri, “Pemanfaatan Algoritma Naïve Bayes dan K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Kelas XI,” J. Tekno Kompak, vol. 16, no. 2, p. 176, 2022, doi: 10.33365/jtk.v16i2.2002.
A. Mardiastuti, “Mengenal Rumus Slovin, Kapan Digunakan dan Contoh Soal,” Web Page. Accessed: Jan. 24, 2024. [Online]. Available: https://www.detik.com/jabar/berita/d-6253944/mengenal-rumus-slovin-kapan-digunakan-dan-contoh-soal
U. Susilo and M. Arifin, “Analisis Hubungan Indeks Prestasi Semester Dan Indeks Prestasi Kumulatif Dengan Prestasi Mahasiswa Fakultas Ekonomi Universitas Kadiri,” J. Ris. Bisnis dan Ekon., vol. 1, no. 1, pp. 12–22, 2020, [Online]. Available: http://ojs.unik-kediri.ac.id/index.php/jimek
A. Santoso, “Rumus Slovin:Panacea Masalah Ukuran Sampel?,” SuksmaJurnal Psikol. Univ. Sanat Dharma, vol. 4, p. 6, 2023, [Online]. Available: https://e-journal.usd.ac.id/index.php/suksma/article/view/6434/3637
E. Erwin, V. C. Mawardi, and J. Hendryli, “Penggunaan Metode Collaborative Filtering Based Untuk Rekomendasi Kendaraan Bermotor,” J. Ilmu Komput. dan Sist. Inf., vol. 10, no. 1, pp. 3–7, 2022, doi: 10.24912/jiksi.v10i1.17796.
J. Kalyzta, M. A. Willdan, S. Halfiani, and I. Indra, “Penerapan Analisis Sentimen Ujaran Kebencian Terhadap Vaksinasi Covid-19 Pada Tweet Berbahasa Indonesia Menggunakan Algoritme K-Nearest Neighbor,” IDEALIS Indones. J. Inf. Syst., vol. 5, no. 2, pp. 87–97, 2022, doi: 10.36080/idealis.v5i2.2959.
K. Kartarina, N. K. Sriwinarti, and N. luh P. Juniarti, “Analisis Metode K-Nearest Neighbors (K-NN) Dan Naive Bayes Dalam Memprediksi Kelulusan Mahasiswa,” JTIM J. Teknol. Inf. dan Multimed., vol. 3, no. 2, pp. 107–113, 2021, doi: 10.35746/jtim.v3i2.159.
M. A. Fahtu Rahman, Z. R. Mair, and D. Sartika, “Klasifikasi Ulasan Pelanggan Shopee Mall Terhadap E-Commerce Penjualan Baju Batik Metode Naïve Bayes,” IDEALIS Indones. J. Inf. Syst., vol. 7, no. 2, pp. 164–177, 2024, doi: 10.36080/idealis.v7i2.3178.
E. Salim and A. Solichin, “Analisis Sentimen Pada Media Sosial Twitter Terhadap Pelayanan Dinas Kependudukan Dan Pencatatan Sipil Menggunakan Algoritma Naïve Bayes,” IDEALIS Indones. J. Inf. Syst., vol. 5, no. 2, pp. 79–86, 2022, doi: 10.36080/idealis.v5i2.2961.
D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021, [Online]. Available: http://ejurnal.tunasbangsa.ac.id/index.php/jsakti/article/view/369/348
R. Rusliyawati, K. Muludi, A. Wantoro, and D. A. Saputra, “Implementasi Metode International Prostate Symptom Score (IPSS) Untuk E-Screening Penentuan Gejala Benign Prostate Hyperplasia (BPH),” J. Sains dan Inform., vol. 7, no. 1, pp. 28–37, 2021, doi: 10.34128/jsi.v7i1.298.
.png)
