@phdthesis{katalog1747,
           title = {PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOR DAN NAIVE BAYES CLASSIFIER DALAM MEMPREDIKSI KATEGORI INDEKS PRESTASI MAHASISWA},
          school = {Universitas Kristen Duta Wacana},
            year = {2017},
          author = {Veronica Hanna Arum Sari 71130129},
           month = {July},
             url = {https://katalog.ukdw.ac.id/1747/},
        abstract = {Hasil belajar mahasiswa baru FTI UKDW dapat dilihat dari prestasi belajar mahasiswa. Tolak ukur keberhasilan prestasi belajar mahasiswa baru dapat dilihat dari indeks prestasi yang dicapai. Indeks Prestasi (IP) semester yang rendah akan memberikan dampak baik luar maupun dalam kampus. Baik buruknya indeks prestasi mahasiswa semester 1 dapat dipengaruhi oleh beberapa variabel baik eksternal maupun internal. Variabel eksternal meliputi kategori sekolah (SMA atau SMK), status sekolah (negeri atau swasta), lokasi sekolah (Jawa atau luar Jawa), dan kemampuan bahasa inggris yang dibagi dalam beberapa level. Variabel internal meliputi kemampuan spasial, kemampuan verbal, kemampuan numerik dan kemampuan analogi (Santosa \& Rachmat, 2016). Proses penerimaan mahasiswa baru dibagi menjadi 2 jalur penerimaan yakni jalur prestasi dan jalur non prestasi. Jalur prestasi menggunakan variabel eksternal sedangkan jalur non prestasi menggunakan variabel eksternal dan internal. Pengolahan data-data baik variabel internal maupun eksternal, dalam data mining dapat menggunakan cara pengklasifikasian. Pada penelitian ini, penulis mengambil metode Na{\"i}ve Bayes Classifier dan K-Nearest Classifier dalam melakukan pengklasifikasian. Pada jalur prestasi, dari total 806 dengan menggunakan data training sebanyak 76\% dan data testing sebanyak 24\% didapatkan akurasi yang paling baik yaitu 61\% menggunakan metode K-Nearest Neighbor dengan menggunakan nilai k = 2. Sedangkan pada jalur non prestasi, dari total 1211 data dengan menggunakan data training sebanyak 95\% dan data testing sebanyak 5\% didapatkan akurasi yang paling baik yaitu 48\% menggunakan metode K-Nearest Neighbor dengan menggunakan nilai k = 8. Dari penelitian yang dilakukan, akurasi pada jalur prestasi lebih baik daripada jalur non prestasi.},
        keywords = {Akurasi, Confusion Matrix, Data Mining, K-Nearest Neighbor, Na{\"i}ve Bayes Classifier}
}