MODEL PREDIKSI KELULUSAN TEPAT WAKTU DENGAN METODE FUZZY C-MEANS DAN K-NEAREST NEIGHBORS MENGGUNAKAN DATA REGISTRASI MAHASISWA

Abstract

Kegiatan Penerimaan Mahasiswa Baru di tingkat perguruan tinggi setiap tahunnya merupakan suatu kegiatan yang wajib dilaksanakan untuk membuka awal tahun ajaran baru, salah satunya yakni di kampus Universitas Islam Negeri Sunan Ampel Surabaya (UINSA). Namun permasalahannya yakni, tidak semua mahasiswa dapat lulus secara tepat waktu sesuai dengan waktu tempuh kurikulum yang telah disusun, hal ini akan berpengaruh pada akreditasi perguruan tinggi. Untuk meminimalisir hal tersebut maka, pada penelitian ini akan diusulkan model prediksi dengan teknik data mining dan machine learning guna membantu memperbaiki konsep registrasi pada mahasiswa baru. Yakni dengan membuat model prediksi menggunakan metode FCM-KNN, konsep metode ini adalah pada tahap pengelompokkan dan pemberian label data digunakan FCM kemudian pada tahap penentuan jarak antar data digunakan KNN dengan hal tersebut maka jarak antara k-tetangga terdekat cukup dicari pada lingkup anggota kelompok data dalam satu cluster dan tidak perlu dibandingkan oleh data keseluruhan. Pada penelitian ini menggunakan data registrasi mahasiswa UINSA, kemudian pengujian skor akan digunakan confusion matrix dan k-fold cross validation. Hasil dari algoritma FCM-KNN didapatkan bahwa model prediksi dengan pengujian 10-fold cross validation dengan skenario k=1 mempunyai rata rata akurasi sebesar 71% kesimpulannya dengan seiring bertambahnya nilai K (tetangga terdekat) maka akan mempengaruhi nilai akurasi. Kata kunci: Confusion Matrix, FCM-KNN, K-fold, Machine Learning, Penerimaan Mahasiswa Baru. Abstract The new student admission activity at the tertiary level is an activity that must be carried out every year to open the beginning of a new academic year, one of which is on the campus of the Sunan Ampel State Islamic University Surabaya (UINSA). However, the problem is, not all students can graduate on time according to the time taken for the curriculum that has been prepared, this will affect the accreditation of higher education. To minimize this, this research proposes a prediction model using d ata mining and machine learning techniques to help improve the concept of registration for new students. Namely by making a prediction model using the FCM-KNN method, the concept of this method is that at the stage of grouping and labeling the data used FCM then at the stage of determining the distance between the data used KNN with this, the distance between the k-closest neighbors is enough to look for within the scope of the data group members. In one cluster and need not be compared by the whole data. In this study using UINSA student registration data, then score testing will use confusion matrix and k-fold cross validation. The results of the FCM-KNN algorithm show that the prediction model by testing 10-fold cross validation with the k = 1 scenario has an average accuracy of 71%.