Skripsi/Tugas Akhir

Analisis Sistem Informasi Pendistribusian Tempat KKL Menggunakan Metode K-Nearest Neighbor (K-NN)

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Pada penelitian ini, peneliti ingin membangun sebuah model prediksi pendistribusian mahasiswa yang memiliki kemampuan yang sama dengan tempat instani KKL, dengan mengkombinasi metode K-Nearst Neighbort (K-NN) dan K-Means. Dan mengevaluasi model menggunakan Regresi Linear Berganda.Metode KNN digunakan untuk memprediksi model yang dihasilkan dari dataset hasil kuesioner dengan melihat perhitungan dari confusion matrix dan dievaluasi menggunakan analisis Regresi Linear Berganda. Sedangkan Metode K_Means digunakan untuk menyesuaikan dan melengkapi hasil dari seleksi klasifikasi dari metode sebelumnya dalam meminimalisir ketidakpastian dataset dari kuesioner. Performa yang dihasilkan dari clustering K-Means yang diuji kembali menggunakan KNN meunjukan nilai akurasi 91%, dengan nilai confusion matrix untuk class Instansi Pemerintah dengan nilai presisi = 0.83, Recall = 0.83, dan F1- score = 0.83, class perusahaan swasta dengan nilai presisi = 0.88, Recall = 0.88, dan F1-score = 0.88, class bumd dengan nilai presisi = 1.00, Recall = 1.00, dan F1- score = 1.00. Sehingga model yang sesuai dalam pendistribusian mahasiswa ke instansi KKL adalah model yang dihasilkan dari clustering K-Means emudian diuji kembali menggunakan metode prediksi KNN.
Kata Kunci : K-NN, K-Means, Regresi Linear Berganda, Akurasi

ABSTRACT
In this study, the researcher wanted to build a predictive model for the distribution of students who have the same ability as the KKL instance, by combining the K-Nearst Neighbor (K-NN) and K-Means methods. And evaluate the model using Multiple Linear Regression. The KNN method is used to predict the model generated from the questionnaire results dataset by looking at the calculation of the confusion matrix and evaluated using Multiple Linear Regression analysis. While the K_Means method is used to adjust and complete the results of the classification selection from the previous method in minimizing the uncertainty of the dataset from the questionnaire. The performance resulting from K-Means clustering which was tested again using KNN showed an accuracy value of 91%, with a confusion matrix value for the Government Agency class with a precision value = 0.83, Recall = 0.83, and F1- score = 0.83, private company class with a precision value = 0.88, Recall = 0.88, and F1-score = 0.88, class bumd with precision = 1.00, Recall = 1.00, and F1 -score = 1.00. So that the appropriate model for distributing students to KKL agencies is the model generated from K-Means clustering and then tested again using the KNN prediction method.
Keywords : K-NN, K-Means, Multiple Linear Regression, Accuracy

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 23-47 MAY a - 0219SI

Penerbit

Makassar : Universitas DIPA., 2023

Deskripsi Fisik

xii + 103 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 23-47

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Cetakan Maret 2023

Subjek

Skripsi/Tugas Akhir
K-Nearest Neighbor
K-Means Clustering

Lampiran File