PENERAPAN ALGORITMA RANDOM FOREST UNTUK MEMPREDIKSI JUMLAH SANTRI BARU
DOI:
https://doi.org/10.23960/jitet.v12i3S1.5237Abstract Views: 707 File Views: 685
Abstract
Setiap tahun ajaran baru, setiap instansi pendidikan baik formal maupun nonformal melaksanakan proses penerimaan siswa secara rutin, termasuk Pondok Pesantren Ngalah yang membuka penerimaan santri baru dengan 2 gelombang. Namun, pelaksanaan penerimaan santri baru tersebut masih menghadapi kendala seperti jumlah santri baru yang melebihi kuota asrama yang tersedia. Oleh karena itu, dibutuhkan suatu prediksi jumlah santri baru untuk membantu pihak pesantren dalam mengoptimalkan proses penerimaan santri baru. Penerapan algoritma random forest pada penelitian ini digunakan untuk memprediksi jumlah santri baru. Hasil nilai akurasi, MAE dan MSE digunakan untuk mengukur kinerja dari algoritma random forest dan menentukan nilai parameter terbaik pada prediksi jumlah santri baru. Hasil penelitian ini menunjukkan bahwa algoritma random forest memiliki nilai akurasi yang tinggi yaitu sebesar 97,73% dalam memprediksi jumlah santri baru dan nilai MAE serta MSE yang sangat rendah, masing-masing sebesar 0,05 dan 0,18.
Downloads
References
P. Wijaya, R. W. Sembiring, and S. S, “Analisis Metode Backpropagation Memprediksi Penerimaan Santri/Wati di Pondok Pesantren Modern Al-Kautsar,” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 6, no. 1, p. 140, 2021, doi: 10.30645/jurasik.v6i1.278.
S. Uddin, A. Khan, M. E. Hossain, and M. A. Moni, “Comparing different supervised machine learning algorithms for disease prediction,” BMC Med. Inform. Decis. Mak., vol. 19, no. 1, pp. 1–16, 2019, doi: 10.1186/s12911-019-1004-8.
M. Rianto and R. Yunis, “Analisis Runtun Waktu Untuk Memprediksi Jumlah Mahasiswa Baru Dengan Model Random Forest,” vol. 23, no. 1, 2021.
Z. Zulfauzi and M. N. Alamsyah, “Penerapan Algoritma Naive Bayes Untuk Prediksi Penerimaan Mahasiswa Baru Studi Kasus Universitas Bina Insan Fakultas Komputer,” J. Teknol. Inf. Mura, vol. 12, no. 02, pp. 156–165, 2020, doi: 10.32767/jti.v12i02.1096.
H. K. Pambudi, P. G. A. Kusuma, F. Yulianti, and K. A. Julian, “Prediksi Status Pengiriman Barang Menggunakan Metode Machine Learning,” J. Ilm. Teknol. Infomasi Terap., vol. 6, no. 2, pp. 100–109, 2020, doi: 10.33197/jitter.vol6.iss2.2020.396.
S. P. Dewi, N. Nurwati, and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Build. Informatics, Technol. Sci., vol. 3, no. 4, pp. 639–648, 2022, doi: 10.47065/bits.v3i4.1408.
M. I. Rosadi, C. B. Sanjaya, and L. Hakim, “Klasifikasi Diabetic Retinopathy Menggunakan Seleksi Fitur Dan Support Vector Machine,” J. Resist. (Rekayasa Sist. Komputer), vol. 1, no. 2, pp. 109–117, 2018, doi: 10.31598/jurnalresistor.v1i2.312.
N. Noviyanto, “Penerapan Data Mining dalam Mengelompokkan Jumlah Kematian Penderita COVID-19 Berdasarkan Negara di Benua Asia,” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 183–188, 2020, doi: 10.31294/p.v22i2.8808.
B. Mahesh, “Machine Learning Algorithms - A Review,” Int. J. Sci. Res., vol. 9, no. 1, pp. 381–386, 2020, doi: 10.21275/ART20203995.
H. Al Azies, F. A. Rohmatullah, H. B. Rochmanto, and D. Putri, “TOWARDS OPTIMIZATION : DATA-DRIVEN APPROACH K-MEDOIDS CLUSTERING ALGORITHM FOR REGIONAL EDUCATION QUALITY,” vol. 12, no. 3, 2022.
E. D. Attanasi and T. C. Coburn, “Random Forest,” pp. 1182–1185, 2023, doi: 10.1007/978-3-030-85040-1_265.
S. Devella, Y. Yohannes, and F. N. Rahmawati, “Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 7, no. 2, pp. 310–320, 2020, doi: 10.35957/jatisi.v7i2.289.
Sabar Sautomo and Hilman Ferdinandus Pardede, “Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 99–106, 2021, doi: 10.29207/resti.v5i1.2815.
