Satvika, Gd. Aditya Jana (2024) Meningkatkan Kinerja K-Nearest Neighbor Menggunakan Permutation Feature Importance Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Universitas Pendidikan Ganesha. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2029101022-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2029101022-ABSTRAK.pdf Download (362kB) |
|
Text (BAB 1 PENDAHULUAN)
2029101022-BAB 1 PENDAHULUAN.pdf Download (315kB) |
|
Text (BAB 2 KAJIAN TEORI)
2029101022-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2029101022-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2029101022-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (729kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2029101022-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (321kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2029101022-DAFTAR PUSTAKA.pdf Download (372kB) |
|
Text (LAMPIRAN)
2029101022-LAMPIRAN.pdf Download (1MB) |
Abstract
Penelitian ini bertujuan untuk meningkatkan kinerja algoritma K-Nearest Neighbor (KNN) dalam memprediksi kelulusan tepat waktu mahasiswa. Penggunaan dataset dari data kelulusan mahasiswa program studi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha (PTI Undiksha) angkatan 2014-2017 sebanyak 460 data membutuhkan proses data pre-processing untuk memperoleh data yang lebih berkualitas. Penelitian ini membandingkan kinerja KNN dengan penerapan metode permutation feature importance (PFI) untuk meningkatkan kinerja model. Hasil penelitian menunjukan implementasi PFI pada model KNN mencapai kinerja terbaik saat menerapkan oversampling pada training data menggunakan rasio jumlah sampel kelas minoritas sebesar 25% dari jumlah sampel kelas mayoritas. Accuracy score meningkat dari 90,22% menjadi 92,39%, sementara recall score tetap 55,56%, precision score meningkat dari 50,00% menjadi 62,50%, dan f1-score meningkat dari 52,63% menjadi 58,82%. Dari analisis PFI, teridentifikasi bahwa IPS 1 memiliki kontribusi terendah terhadap model yang digunakan. Berdasarkan penelitian ini, terdapat rekomendasi praktis. Pertama, lakukan pengujian terhadap PFI secara berulang dengan n-shuffle yang berbeda untuk mendapatkan pola kontribusi fitur yang lebih konsisten. Kedua, evaluasi lebih lanjut diperlukan untuk menentukan fitur dengan importance score terendah yang perlu dihapus guna mengoptimalkan kinerja model.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | classification, k-nearest neighbor, permutation feature importance. |
| Subjects: | H Social Sciences > H Social Sciences (General) L Education > L Education (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Gd. Aditya Jana Satvika |
| Date Deposited: | 17 Feb 2024 23:22 |
| Last Modified: | 17 Feb 2024 23:22 |
| URI: | http://repo.undiksha.ac.id/id/eprint/18576 |
Actions (login required)
 |
View Item |