Deteksi Dini Tingkat Stres Pada Mahasiswa Menggunakan Metode Iterative Dichotomiser 3 dan K-Nearest Neighbour

  • Alfiyan Aldi
  • Sri Rezeki Candra Nursari
  • Febri Maspiyanti
Keywords: Data Mining, Klasifikasi, Tingkat Stres Mahasiswa, K-Nearest Neighbour, Iterative Dichotomiser 3

Abstract

Data mining merupakan cabang artificial intellegence yang digunakan untuk pencarian pola data atau model data dengan tugasnya melakukan klasifikasi, clustering, asosiasi dan deteksi anomali. Deteksi dini pada tingkat stres dapat dikategorikan sebagai klasifikasi dalam data mining. Penelitian deteksi dini tingkat stress pada mahasiswa ini menggunakan metode Interative Dichotomiser 3 (ID3) dan K-Nearest Neighbour (KKN). Teknik pengumpulan data yang dilakukan pada penelitian ini adalah wawancara pakar, studi literatur dan kuesioner dengan 300 mahasiswa sebagai responden. Penulis menggunakan teknik cross-validation 10 folds untuk menghitung nilai akurasi dari kedua metode tersebut. Nilai akurasi dengan metode K-NN rata-rata 91% sedangkan dengan metode ID3 hanya 61%.
Akurasi tertinggi K-NN terdapat pada fold 10 dengan akurasi 100%. Sementara akurasi tertinggi pada ID3 ada pada fold 7 dengan akurasi 76.67%. Jadi, K-NN memilki hasil akurasi klasifikasi yang lebih baik dari ID3.

Published
2020-08-21