MODEL REKOMENDASI PEMILIHAN KONSENTRASI PADA PROGRAM STUDI DENGAN KOMBINASI METODE MULTICLASSIFIER VOTING (Studi Kasus : Program Studi Sistem Informasi ITB STIKOM Bali)

Lestari, I Gusti Ayu Nandia (2024) MODEL REKOMENDASI PEMILIHAN KONSENTRASI PADA PROGRAM STUDI DENGAN KOMBINASI METODE MULTICLASSIFIER VOTING (Studi Kasus : Program Studi Sistem Informasi ITB STIKOM Bali). Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2029101027-COVER.pdf
Download (543kB)
[img] Text (ABSTRAK)
2029101027-ABSTRAK.pdf
Download (122kB)
[img] Text (BAB 1 PENDAHULUAN)
2029101027-BAB 1 PENDAHULUAN.pdf
Download (194kB)
[img] Text (BAB 2 KAJIAN TEORI)
2029101027-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (391kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2029101027-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (258kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2029101027-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (2MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2029101027-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (64kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2029101027-DAFTAR PUSTAKA.pdf
Download (125kB)
[img] Text (LAMPIRAN)
2029101027-LAMPIRAN .pdf
Download (4MB)

Abstract

Proses pemilihan konsentrasi seringkali rumit dan membingungkan, terutama ketika mahasiswa dihadapkan pada banyak pilihan konsentrasi yang tersedia. Selain itu, permasalahan distribusi kelas dalam dataset menunjukan tidak seimbang di mana kelas minoritas memiliki representasi yang sangat sedikit dibandingkan dengan kelas mayoritas. Oleh karena itu, untuk membantu mahasiswa dalam memilih konsentrasi yang sesuai dengan kemampuannya maka, dalam penelitian ini dikembangkan sebuah model rekomendasi pemilihan konsentrasi program studi dengan kombinasi Multiclassifier Voting dan teknik Synthetic Minority Over-sampling Technique (SMOTE). Pada penelitian ini menggunakan Ensemble Learning jenis voting dengan hard voting. Dimana algoritma yang akan dikombinasikan yaitu metode klasifikasi Support Vector Machine, Decision Tree, dan Random Forest. Metode klasifikasi Random Forest bertujuan menangani dataset yang beragam seperti fitur pada nilai matakuliah. Lalu pada metode Support Vector Machine digunakan mendukung klasifikasi untuk pengolahan data berdasarkan nilai matakuliah umum dengan matakuliah khusus persemester yang menyangkut dengan pemilihan konsentrasi. Pada metode Decision Tree menangani masalah dataset distribusi yang tidak teratur. Sedangkan metode Ensemble Learning digunakan untuk meningkatkan nilai akurasi dari model dengan teknik voting berdasarkan nilai dari tiga metode klasifikasi. SMOTE digunakan untuk menghasilkan sampel sintetis pada kelas minoritas, dengan tujuan untuk meningkatkan jumlah sampel dan memperluas representasi kelas minoritas. Kemudian performa dari masing-masing algoritma klasifikasi termasuk ensemble learning dievaluasi menggunakan metrik evaluasi yang relevan, seperti akurasi, presisi, recall, dan F1-score. Hasil perhitungan dengan SMOTE mendapatkan peningkatan jumlah dataset dari awalnya 563 menjadi 912 yang terbagi untuk empat kelas yaitu ET memiliki jumlah data sebanyak 228, GM sebanyak 228, ES sebanyak 228 dan IS sebanyak 228. Selanjutnya hasil eksperimen menunjukkan bahwa penggunaan kombinasi SMOTE atau data yang sudah di oversampling dengan metode klasifikasi dapat meningkatkan performa akurasi model. Berdasarkan pengujian diperoleh hasil akurasi yang paling baik yaitu pada metode klasifikasi Random Forest dengan SMOTE yaitu 88% dan tanpa oversampling 82%, kemudian klasifikasi Decision Tree dengan SMOTE yaitu 82% dan tanpa oversampling 75%, lalu klasifikasi SVM dengan SMOTE yaitu 85% dan tanpa oversampling yaitu 77%. lalu klasifikasi Ensembel Voting dengan SMOTE yaitu 87% dan tanpa oversampling yaitu 80%.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Machine Learning, Oversampling, SMOTE, Multiclassifier-Voting, Program Studi.
Subjects: T Technology > T Technology (General)
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: I Gusti Ayu Nandia Lestari
Date Deposited: 24 Oct 2023 06:40
Last Modified: 24 Oct 2023 06:40
URI: http://repo.undiksha.ac.id/id/eprint/17883

Actions (login required)

View Item View Item