Junaidi, Rahmi Fadhila (2021) MULTIPLE INTELLIGENCES DALAM MENENTUKAN PEMILIHAN JURUSAN BAGI MAHASISWA BARU. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text
01 Cover.pdf Download (583kB) | Preview |
|
|
Text
02 Bab 1.pdf Download (117kB) | Preview |
|
|
Text
03 Bab 2.pdf Download (150kB) | Preview |
|
|
Text
04 Bab 3.pdf Download (279kB) | Preview |
|
|
Text
05 Bab 4.pdf Download (2MB) | Preview |
|
|
Text
06 Bab 5.pdf Download (30kB) | Preview |
|
|
Text
07 Daftar Pustaka.pdf Download (152kB) | Preview |
|
|
Text
08 Lampiran.pdf Download (225kB) | Preview |
Abstract
The development of information technology plays an important role in assisting education in conducting aptitude interest tests. Talent interest test required for prospective students who will continue their education to a higher level. The purpose of this aptitude interest test is to match the abilities or potential of students at the university or institute level. Several previous studies have evaluated interest tests that refer to learning outcomes. The research was built using the Support Vector Machine (SVM) algorithm which consists of four stages, namely: analysis, design, code and test. However, the algorithm has problems in evaluating aptitude tests, such as the amount of time needed in the data classification process and the amount of memory required and in this study the resulting accuracy has not met the accuracy of data classification. Therefore, in our study we built a talent test model called "Bakatmu System" using several models from machine learningbased engineering such as, Naïve Bayes, K-Nearest Neighbor, C4.5, and Support Vector Machine. The proposed model consist four steps: model we have built consists of several stages: (1) Students will do an aptitude test using your talents. (2) Data on aptitude tests that have been conducted by prospective students will be processed using several models of machine-based techniques. (3) The system will provide recommendations to prospective students. (4) In the admin section, there is a machine learning method analysis dashboard for student talent tests. The results of this study concluded that from 10 trials, K-Nearest Neighbor classifier has greater results than the K value between 1 to 10, which is 89.6%, followed by C4.5 at 87.2%, Naïve Bayes at 65.3%, and Support Vector Machine at 61.4%. Perkembangan teknologi informasi memainkan peranan penting dalam hal membantu institusi pendidikan dalam menyelenggarakan tes minat bakat. Tes minat bakat diperlukan bagi calon mahasiswa yang akan melanjutkan pendidikan ke jenjang yang lebih tinggi. Tujuan dari tes minat bakat ini adalah untuk menyesuaikan kemampuan atau potensi calon mahasiswa di tingkat universitas maupun institut. Beberapa penelitian sebelumnya telah melakukan evaluasi mengenai tes minat bakat yang mengacu kepada hasil prestasi belajar. Penelitian tersebut dibangun dengan menerapkan algoritma Support Vector Machine (SVM) yang terdiri dari beberapa tahapan yaitu data selection, preprocessing, transformation, data mining dan evaluation. Akan tetapi algoritma tersebut memiliki masalah dalam melakukan evaluasi tes minat bakat, seperti banyaknya waktu yang diperlukan dalam proses klasifikasi data dan besarnya jumlah memori yang dibutuhkan dan pada penelitian tersebut akurasi yang dihasilkan belum memenuhi ketepatan pengklasifikasian data. Oleh karena itu, dalam penelitian ini kami mengusulkan untuk membangun sebuah model tes minat bakat yang bernama “Bakatmu System” dengan menggunakan beberapa model dari machine learning-based technique seperti, Naïve Bayes, K-Nearest Neighbor, C4.5 dan Support Vector Machine. Model yang kami bangun terdiri dari beberapa tahapan: (1) Calon mahasiswa akan melakukan tes minat bakat menggunakan bakatmu system. (2) Data tes minat bakat yang telah dilakukan calon mahasiswa akan diolah menggunakan beberapa model dari machine learning based technique. (3) System akan memberikan rekomendasi jurusan pada calon mahasiswa. (4) Pada bagian admin terdapat dashboard analisis metode machine learning tes minat bakat calon mahasiswa. Hasil dari penelitian ini menyimpulkan bahwa dari 10 kali percobaan yang dilakukan, K-Nearest Neighbor classifier memiliki hasil akurasi yang lebih besar dibandingkan metode lainnya dengan menggunakan nilai K antara 1 sampai dengan 10, yaitu sebesar 89.6%, kemudian diikuti oleh C4.5 sebesar 87.2%, Naïve Bayes sebesar 65.3%, dan Support Vector Machine sebesar 61.4%.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41819120065 |
| Subjects: | 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 511 General Principles of Mathematics > 511.6 Combinatorial Analysis/Analisa Kombinasi > 511.65 Choice/Pemilihan 700 Arts/Seni, Seni Rupa, Kesenian > 720 Architecture/Arsitektur > 728 Residential and Related Buildings/Perumahan > 728.3 Conventional Housing Architecture/Arsitektur Rumah Konvensional > 728.31 Multiple Dwellings/Tempat Tinggal, Kediaman |
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi |
| Depositing User: | FRAYUDA ADRIANSYAH SAID EFFENDI |
| Date Deposited: | 19 Jun 2024 06:49 |
| Last Modified: | 19 Jun 2024 06:49 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/88986 |
Actions (login required)
 |
View Item |
