##plugins.themes.academic_pro.article.main##
Algoritma K-Nearest Neighbor (K-NN) Dengan Normalisasi Max Min Untuk Menentukan Calon Mahasiswa Yang Layak Menerima KIP Kuliah Merdeka
Abstract
Calon mahasiswa penerima KIP Kuliah Merdeka pada Universitas Budi Darma tidak sebanding jumlahnya dengan kuota yang tersedia, sehingga kadang pengelola KIP Kuliah mengalami kesulitan dalam menentukan mahasiswa yang benar-benar layak menerima KIP Kuliah Merdeka atau yang tidak layak. Faktor lain adalah nilai ujian, prestasi, keadaan ekonomi dan lain sebagainya yang memiliki kemiripan. Untuk itu sangat diperlukan suatu teknik untuk menentukan calon mahasiswa yang layak menerima KIP Kuliah Merdeka, dan salah satu teknik dalam data mining yang sering digunakan adalah algoritma K-Nearest Neighbor (K-NN). Penggunaan normalisasi data untuk menghilangkan ketimbangan nilai antar kriteria dalam data. Perhitungan jarak dengan algoritma K-NN dengan normalisasi max min dan pegujian data dengan bahasa pemrograman python hasilnya adalah nilai class data yang baru berdasarkan nilai kedekatan nilai attribute data yang lama dengan data yang baru yang terdiri atas prestasi sekolah, hasil ujian, total penghasilan orang tua, mempunyai KKS dan kepemilikan rumah.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
A. E. Wicaksono, “Implementasi Data Mining Dalam Pengelompokan Data Peserta Didik Di Sekolah Untuk Memprediksi Calon Penerima Beasiswa Dengan Menggunakan Algoritma K-Means (Studi Kasus SMAN 16 Bekasi),” J. Ilm. Teknol. dan Rekayasa, vol. 21, no. 3, 2017, [Online]. Available: http://www.ejournal.gunadarma.ac.id/index.php/tekno/article/view/1599
F. tinus Bu’ulolo;Efori;Fau, Alwin;Ndruru, Eferoni;Waruwu, “Classification of prospective students who are eligible to receive KIP Merdeka lecture using the cart algoritma approach,” in Melaka International Social Sciences, Science, and Technology (MIC3ST), Melaka, Malaysia: https://www.mic3st.com/, 2023. [Online]. Available: https://ir.uitm.edu.my/id/eprint/81897/
E. Buulolo, Data Mining Untuk Perguruan Tinggi. Yogyakarta: deepublish, 2020.
I. G. Harsemadi, “Rekayasa Sistem Pengelompokan Suasana Hati Terhadap Musik Menggunakan Algoritma K-Nearest Neighbor,” Eksplora Inform., vol. 5, no. 2, pp. 166–176, 2016, [Online]. Available: https://eksplora.stikom-bali.ac.id/index.php/eksplora/article/view/88/71
I. Listiowarni and N. Puspa Dewi, “Pemanfaatan Klasifikasi Soal Biologi Cognitive Domain Bloom’s Taxonomy Menggunakan KNN Chi-Square Sebagai Penyusunan Naskah Soal,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 11, no. 2, pp. 186–197, 2020, doi: 10.31849/digitalzone.v11i2.4798.
D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.
D. Fenny, “Analisis Perbandingan Cosine Normalization dan Min Max Pada Pengelompokan Terjemahan Ayat Al Quran Menggunakan Algoritma K-Means Clustering,” Universitas Islam Negeri Syarif Hidayatullah Jakarta, 2019. [Online]. Available: https://repository.uinjkt.ac.id/dspace/bitstream/123456789/48588/1/DEWINTA FENNY-FST.pdf
V. Rapika Sari, E. Buulolo, and K. Kunci ABSTRAK, “Implementasi Algoritma K-Means dengan Normalisasi Sigmoidal Untuk Klastering Data Ternak Sapi,” Jikteks, vol. 02, no. 01, pp. 30–42, 2023.
M. S. Mustafa and I. W. Simpen, “Implementasi Algoritma K-Nearest Neighbor ( KNN ) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba,” Pros. Semin. Ilm. Sist. Inf. Dan Teknol. Inf., vol. VIII, no. 1, pp. 1–10, 2019, [Online]. Available: https://ejurnal.dipanegara.ac.id/index.php/sisiti/article/view/1 -10
M. Sholeh, D. Andayati, and R. Y. Rachmawati, “Data Mining Model Klasifikasi Menggunakan Algoritma K-Nearest Neighbor Dengan Normalisasi Untuk Prediksi Penyakit Diabetes,” TeIKa, vol. 12, no. 02, pp. 77–87, 2022, doi: 10.36342/teika.v12i02.2911.
L. Farokhah, “Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 1129–1136, 2020, doi: 10.25126/jtiik.2020722608.
N. Lizarti and A. N. Ulfah, “Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Peminatan Studi (Studi Kasus : Program Studi Teknik Informatika STMIK Amik Riau),” Fountain Informatics J., vol. 4, no. 1, p. 1, 2019, doi: 10.21111/fij.v4i1.2822.
R. Bu’ulolo, Efori;Mesran;Hasibuan, Nelly Astuti; Aripin, Sueb;Utomo, Dito Utomo;Syaputra, Big Data Analysis dengan Phyton untuk Perguruan Tinggi, I. Yogyakarta, 2023.
