PERBANDINGAN METODE K-NN DAN RANDOM FOREST PADA KLASIFIKASI MAHASISWA BERPOTENSI DROPOUT
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).
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}
}
EUVIMED