PENERAPAN HYBRID MODEL MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS, K-MEANS, DAN NAÏVE BAYES UNTUK PREDIKSI KATEGORI UKT

Jessika, Jessika (2026) PENERAPAN HYBRID MODEL MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS, K-MEANS, DAN NAÏVE BAYES UNTUK PREDIKSI KATEGORI UKT. S2 thesis, Universitas Malikussaleh.

This is the latest version of this item.

	Text cover_JESSIKA_247110201007.pdf Download (131kB)
	Text abstrak_JESSIKA_247110201007.pdf Download (106kB)
	Text bab 1_JESSIKA_247110201007.pdf Download (195kB)
	Text daftar pustaka_JESSIKA_247110201007.pdf Download (170kB)
	Text Jessika_247110201007.pdf Restricted to Registered users only Download (2MB)

Abstract

Penentuan kategori Uang Kuliah Tunggal (UKT) yang masih dilakukan secara manual berpotensi menimbulkan subjektivitas dan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini mengusulkan pendekatan hybrid berbasis data mining dengan mengintegrasikan Principal Component Analysis (PCA), K-Means Clustering, dan Naïve Bayes Classifier untuk menghasilkan sistem klasifikasi UKT yang lebih objektif dan sistematis. PCA digunakan untuk mereduksi dimensi dan menghilangkan redundansi fitur, K-Means untuk membentuk pseudo-label berbasis kemiripan karakteristik sosial ekonomi, serta Naïve Bayes untuk memodelkan proses klasifikasi. Dataset yang digunakan terdiri dari 452 data mahasiswa dengan atribut sosial ekonomi. Hasil reduksi dimensi menunjukkan bahwa 18 fitur dapat direpresentasikan menjadi 12 komponen utama dengan mempertahankan 95% variasi data. Penentuan jumlah cluster optimal menghasilkan k=8 pada skenario PCA dan k=7 tanpa PCA, yang menunjukkan bahwa reduksi dimensi mempengaruhi struktur data. Evaluasi model menunjukkan performa akurasi tinggi pada seluruh algoritma, namun analisis lebih lanjut mengindikasikan bahwa model berbasis PCA memiliki stabilitas dan kemampuan generalisasi yang lebih baik, ditunjukkan oleh konsistensi hasil cross-validation dan selisih kecil antara data latih dan data uji. Fokus pada metrik recall menunjukkan bahwa model mampu mengidentifikasi mayoritas kelas secara efektif. Secara keseluruhan, pendekatan ini menghasilkan model yang lebih robust dan layak digunakan sebagai pendukung keputusan dalam penentuan UKT yang lebih adil dan konsisten.

Item Type:	Thesis (S2)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Pascasarjana > 71102 - Magister Teknologi Informasi
Depositing User:	JESSIKA JESSIKA
Date Deposited:	03 Sep 2026 08:34
Last Modified:	03 Sep 2026 08:34
URI:	https://rama.unimal.ac.id/id/eprint/22339