EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

PERBANDINGAN METODE K-NN DAN RANDOM FOREST PADA KLASIFIKASI MAHASISWA BERPOTENSI DROPOUT

Muhammad Maulana Rofi, Foni Agus Setiawan, Freza Riana

INFOTECH journal · 2024

DOI: 10.31949/infotech.v10i1.8856 ↗

Kurz gefasst

Fachartikel in der Zeitschrift INFOTECH journal, 2024. Verfasst von Muhammad Maulana Rofi und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Perguruan tinggi bertanggung jawab memberikan pendidikan terbaik untuk menghasilkan individu berkualitas. Tingginya angka drop out dapat merusak akreditasi. Model dikembangkan menggunakan K-Nearest Neighbor (K-NN) dan Random Forest untuk mengklasifikasikan kasus drop out. Random Forest memiliki akurasi lebih tinggi (99.05%) dibanding K-NN (98.10%). Atribut Persentase Aktif menonjol sebagai faktor paling berpengaruh dalam mengklasifikasikan siswa yang berpotensi putus sekolah, menurut algoritma Random Forest. Ini menandakan pentingnya keterlibatan aktif dalam meminimalkan risiko drop out.

Zitieren

APA

Rofi, M. M., Setiawan, F. A., & Riana, F. (2024). PERBANDINGAN METODE K-NN DAN RANDOM FOREST PADA KLASIFIKASI MAHASISWA BERPOTENSI DROPOUT. INFOTECH journal. https://doi.org/10.31949/infotech.v10i1.8856

Vancouver

Rofi MM, Setiawan FA, Riana F. PERBANDINGAN METODE K-NN DAN RANDOM FOREST PADA KLASIFIKASI MAHASISWA BERPOTENSI DROPOUT. INFOTECH journal. 2024. doi:10.31949/infotech.v10i1.8856

BibTeX
@article{Rofi2024,
  author = {Rofi, Muhammad Maulana and Setiawan, Foni Agus and Riana, Freza},
  title = {PERBANDINGAN METODE K-NN DAN RANDOM FOREST PADA KLASIFIKASI MAHASISWA BERPOTENSI DROPOUT},
  journal = {INFOTECH journal},
  year = {2024},
  doi = {10.31949/infotech.v10i1.8856}
}
Kostenlos starten →