Ikriya Hanum, Yus Sholva, Helen Sastypratiwi, Fauzan Asrin
{"title":"Model Prediksi Keketatan Lolos SNMPTN Menggunakan Algoritma K-Nearest Neighbor","authors":"Ikriya Hanum, Yus Sholva, Helen Sastypratiwi, Fauzan Asrin","doi":"10.47324/ilkominfo.v6i2.205","DOIUrl":null,"url":null,"abstract":"Abstrak: Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) adalah pola penerimaan melalui penelusuran kemampuan dan prestasi akademik sebagai sistem seleksi nasional. Siswa dapat membandingkan prestasi dengan peserta pada tahun-tahun sebelumnya yang telah lolos SNMPTN menggunakan data rapor yang digunakan pada SNMPTN dan data keketatan jurusan perguruan tinggi yang terdapat pada website LTMPT. Proses ini dapat dibantu dengan menggunakan algoritma data mining, yaitu K-Nearest Neighbor (K-NN) untuk prediksi. Tujuan pada penelitian ini adalah untuk memprediksi keketatan jurusan pada SNMPTN serta menganalisis performa dari algoritma yang digunakan dalam proses prediksi. Pada penelitian ini, algoritma K-Nearest Neighbor akan diujikan untuk melihat parameter terbaik pada algoritma dengan perhitungan nilai root mean square error (RMSE) pada parameter yang diujikan. Hasil evaluasi menggunakan Leave One Out cross-validation menunjukkan bahwa algoritma K-Nearest Neighbor yang memberikan hasil performa untuk prediksi paling baik dengan nilai k (jumlah data terdekat) =11 pada jurusan IPA dan nilai k (jumlah data terdekat) =13 pada jurusan IPS. Setelah didapatkan performa terbaik pada algoritma K-Nearest Neighbor, maka model algoritma tersebut digunakan untuk memprediksi keketatan jurusan pada SNMPTN melalui aplikasi yang dibangun pada penelitian.Kata kunci: prediksi, k-nearest neighbor, SNMPTN, data rapor, keketatan jurusan Abstract: SNMPTN is a national standardized university admission process that uses academic achievement and performance as requirements. Students can compare their achievements with those of participants in previous years who have passed using report cards and the acceptance rate information from the LTMPT website. This process can be helped with the predictive data mining algorithm K-Nearest Neighbor (K-NN). The purpose of this study is to predict the acceptance rate for SNMPTN college majors and analyze the performance of the algorithms used in the prediction process. In this study, the K-Nearest Neighbor algorithm will be tested to determine the best parameters in the algorithm by calculating the root mean square error (RMSE) value for the parameters tested. The results of the evaluation using the Leave One Out cross-validation show that the K-Nearest Neighbor algorithm gives the best performance results for the best predictions with a value of k (number of closest data) =11 in the Sciences department and a value of k (closest amount of data) =13 in the Social Sciences department. After obtaining the best performance model on the K-Nearest Neighbor algorithm, it is used to predict the acceptance rate for SNMPTN college majors through an application built on research.Keywords: prediction, k-nearest neighbor, SNMPTN, report cards, acceptance rate","PeriodicalId":269446,"journal":{"name":"Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.47324/ilkominfo.v6i2.205","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

摘要

摘要:国家大学入学选拔(SNMPTN)是国家选拔系统通过研究成绩和学业成绩而获得的模式。学生可以通过使用SNMPTN上使用的成绩单数据和LTMPT网站上大学专业的广度数据来比较SNMPTN过去的成就。这一进程可以通过使用K-Nearest数据挖掘算法进行预测来帮助。本研究的目的是预测SNMPTN的敏锐度,并分析预测过程中使用的算法的性能。在这项研究中,附近的K-Nearest算法将被授权在测试参数的根均值值(RMSE)上查看算法的最佳参数。使用Leave One Out跨界验证结果表明,k - nearest算法的邻居算法提供了对自然价值最好的预测结果。在获得了最好的K-Nearest算法的表现后,该算法模型被用来通过研究构建的应用程序预测SNMPTN的准确性。关键词:预测,k-nearest邻居,SNMPTN数据,成绩单,抽象专业的广度:SNMPTN是一项国家标准大学附录,uses学前成绩和表现为要求。这些学生可以比较他们在过去几年里通过的参与报告和从LTMPT网站获得的信息。这一进程可能会帮助预测数据挖掘算法。这项研究的目的是预测SNMPTN大学专业人员对算法的表现进行分析。在这项研究中,附近的k - nearhm算法将通过计算复选根均值值错误来确定算法的最佳参数。调查员results》用《K-Nearest离开一号cross-validation秀了那个邻居算法给最好的演出results for The best predictions with a k (closest当家》的价值)= 11》和《数据科学部门的k和a价值》(closest数量数据)= 13》(Social Sciences)部门。在附近算法上最优秀的表现表现模型之后,它被用来预测SNMPTN大学的平均收费标准。入门,k-nearest邻里,SNMPTN,报告卡,期望利率
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Model Prediksi Keketatan Lolos SNMPTN Menggunakan Algoritma K-Nearest Neighbor
Abstrak: Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) adalah pola penerimaan melalui penelusuran kemampuan dan prestasi akademik sebagai sistem seleksi nasional. Siswa dapat membandingkan prestasi dengan peserta pada tahun-tahun sebelumnya yang telah lolos SNMPTN menggunakan data rapor yang digunakan pada SNMPTN dan data keketatan jurusan perguruan tinggi yang terdapat pada website LTMPT. Proses ini dapat dibantu dengan menggunakan algoritma data mining, yaitu K-Nearest Neighbor (K-NN) untuk prediksi. Tujuan pada penelitian ini adalah untuk memprediksi keketatan jurusan pada SNMPTN serta menganalisis performa dari algoritma yang digunakan dalam proses prediksi. Pada penelitian ini, algoritma K-Nearest Neighbor akan diujikan untuk melihat parameter terbaik pada algoritma dengan perhitungan nilai root mean square error (RMSE) pada parameter yang diujikan. Hasil evaluasi menggunakan Leave One Out cross-validation menunjukkan bahwa algoritma K-Nearest Neighbor yang memberikan hasil performa untuk prediksi paling baik dengan nilai k (jumlah data terdekat) =11 pada jurusan IPA dan nilai k (jumlah data terdekat) =13 pada jurusan IPS. Setelah didapatkan performa terbaik pada algoritma K-Nearest Neighbor, maka model algoritma tersebut digunakan untuk memprediksi keketatan jurusan pada SNMPTN melalui aplikasi yang dibangun pada penelitian.Kata kunci: prediksi, k-nearest neighbor, SNMPTN, data rapor, keketatan jurusan Abstract: SNMPTN is a national standardized university admission process that uses academic achievement and performance as requirements. Students can compare their achievements with those of participants in previous years who have passed using report cards and the acceptance rate information from the LTMPT website. This process can be helped with the predictive data mining algorithm K-Nearest Neighbor (K-NN). The purpose of this study is to predict the acceptance rate for SNMPTN college majors and analyze the performance of the algorithms used in the prediction process. In this study, the K-Nearest Neighbor algorithm will be tested to determine the best parameters in the algorithm by calculating the root mean square error (RMSE) value for the parameters tested. The results of the evaluation using the Leave One Out cross-validation show that the K-Nearest Neighbor algorithm gives the best performance results for the best predictions with a value of k (number of closest data) =11 in the Sciences department and a value of k (closest amount of data) =13 in the Social Sciences department. After obtaining the best performance model on the K-Nearest Neighbor algorithm, it is used to predict the acceptance rate for SNMPTN college majors through an application built on research.Keywords: prediction, k-nearest neighbor, SNMPTN, report cards, acceptance rate
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信