Widiantara, I Gusti Made Wahyu Krisna (2024) Penerapan Algoritma Learning Vector Quantization untuk Klasifikasi Mahasiswa Berpotensi Drop Out. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
1929101057-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
192910105 -ABSTRAK.pdf Download (412kB) |
|
Text (BAB 1 PENDAHULUAN)
1929101057-BAB 1 PENDAHULUAN.pdf Download (439kB) |
|
Text (BAB 2 KAJIAN TEORI)
1929101057-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (571kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
1929101057-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (569kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
1929101057-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (892kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
1929101057-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (427kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
1929101057-DAFTAR PUSTAKA.pdf Download (425kB) |
|
Text (LAMPIRAN)
1929101057-LAMPIRAN.pdf Download (433kB) |
Abstract
Penyelenggaraan pendidikan akademis yang optimal di perguruan tinggi dapat diukur melalui kesuksesan belajar mahasiswa, yang juga mencerminkan prestasi institusi dalam menyelenggarakan proses pendidikan tinggi. Salah satu tantangan utama yang dihadapi perguruan tinggi adalah tingginya tingkat mahasiswa yang tidak menyelesaikan studinya (drop out). Tingkat drop out yang tinggi tidak hanya dapat berdampak pada penilaian akreditasi, tetapi juga memberikan dampak negatif atas diri mahasiswa bersangkutan dan berdampak pada kepercayaan masyarakat terhadap institusi tersebut. Menghadapi permasalahan ini, pendekatan yang efektif adalah dengan melakukan analisis terhadap faktor-faktor penyebab mahasiswa drop out menggunakan data mahasiswa yang berhasil lulus dan yang mengalami drop out. Dalam penelitian ini, data sebanyak 4053, terdiri dari 3840 mahasiswa lulus dan 213 mahasiswa drop out, digunakan untuk mengidentifikasi pola mahasiswa drop out melalui pendekatan jaringan saraf tiruan dengan metode learning vector quantization (LVQ). Untuk mengatasi ketidakseimbangan dataset, diterapkan teknik oversampling. Hasil penelitian menunjukkan bahwa penerapan metode LVQ pada data tidak seimbang menghasilkan akurasi sebesar 95,53%, presisi 100%, recall 15,02%, dan f1-score 0,26. Sementara itu, penerapan metode LVQ pada data yang telah melalui proses penyeimbangan data menunjukkan akurasi sebesar 94,66%, presisi 92,22%, recall 97,55%, dan f1-score 0,95. Dengan demikian, dapat disimpulkan bahwa metode LVQ efektif untuk klasifikasi mahasiswa drop out dengan hasil yang sangat baik setelah melalui penanganan ketidakseimbangan dataset.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | klasifikasi, jaringan saraf tiruan, learning vector quantization, drop out, data tidak seimbang |
| Subjects: | L Education > L Education (General) T Technology > TN Mining engineering. Metallurgy |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I Gusti Made Wahyu Krisna Widiantara |
| Date Deposited: | 21 Feb 2024 07:13 |
| Last Modified: | 21 Feb 2024 07:13 |
| URI: | http://repo.undiksha.ac.id/id/eprint/19050 |
Actions (login required)
 |
View Item |