Anugerah, Andhika Satria Pria (2017) Implementasi Algoritme Fuzzy K-Nearest Neighbor Untuk Penentuan Lulus Tepat Waktu (Studi Kasus : Fakultas Ilmu Komputer (Universitas Brawijaya). Sarjana thesis, Universitas Brawijaya.
Abstract
Seiring dengan meningkatnya minat belajar pada perguruan tinggi, maka data kelulusan mahasiswa yang diarsipkan akan terus bertambah. Namun, data tersebut begitu besar jika diolah secara manual, sehingga diperlukan penerapan klasifikasi kelulusan mahasiswa yang dapat mengklasifikasikan data kelulusan berdasarkan parameter-parameter yang telah ditentukan. Cara-cara mengklasifikasikan objek telah banyak dikembangkan, salah satunya adalah Fuzzy K-Nearest Neighbor. Fuzzy K-Nearest Neighbor adalah salah satu metode yang digunakan untuk mengklasifikasikan objek. Dalam hal ini, percobaan FK-NN dilakukan pada masalah waktu lulus mahasiswa yang dikategorikan lulus tepat waktu dan lulus tidak tepat waktu. Dalam percobaan ini, FK-NN digunakan untuk mengidentifikasi mahasiswa berdasarkan indeks prestasi yang telah didapatnya. Dari hasil pengujian, FK-NN mampu mendapatkan nilai akurasi sebesar 98%. Akurasi tersebut didapatkan dari adanya pemberian bobot keanggotaan pada tiap kelas keluaran. Hal tersebut dapat meminimalisasi keraguan dalam penentuan kelas keluaran.
English Abstract
Along with the increasing interest in learning in college, the data will be archived student graduation will continue to grow. But the data is so great if processed manually, so it is necessary to apply the classification of graduation students who can classify the graduation data based on parameters that have been determined. The ways of classifying objects have been developed, one of them is Fuzzy K-Nearest Neighbor. Fuzzy K-Nearest Neighbor is one of the methods used to classify objects. In this case, the FK-NN experiment was conducted on the issue of graduation time of students who were categorized as passing on time and graduated in a timely manner. In this experiment, FK-NN was used to identify students based on the achievement index they had gained. From the test results, FK-NN is able to get an accuracy value of 98%. Accuracy is obtained from the weighting of membership in each output class. This can minimize doubts in the determination of the output class.
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/FTIK/2017/511/051707833 |
Uncontrolled Keywords: | Klasifikasi,Kelulusan. Fuzzy K-Nearest Neighbor |
Subjects: | 000 Computer science, information and general works > 003 Systems > 003.1 System identification |
Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
Depositing User: | Yusuf Dwi N. |
Date Deposited: | 05 Sep 2017 01:28 |
Last Modified: | 02 Dec 2020 11:02 |
URI: | http://repository.ub.ac.id/id/eprint/2068 |
Preview |
Text
Andhika Satria Pria Anugerah.pdf Download (5MB) | Preview |
Actions (login required)
![]() |
View Item |