Sistem Rekomendasi Pemilihan Program Studi [PDF]

Citation preview

Sistem Rekomendasi Pemilihan Program Studi Perguruan Tinggi dengan Pendekatan Hybrid Recommendation untuk Siswa SMA Sederajat Tugas Akhir diajukan untuk memenuhi salah satu syarat memperoleh gelar sarjana
 dari Program Studi S1 Informatika Fakultas Informatika Universitas Telkom



1301154306 M.Widadio Ilham



Program Studi Sarjana Informatika Fakultas Informatika
 Universitas Telkom
 Bandung
 2019



LEMBAR PENGESAHAN SISTEM REKOMENDASI PEMILIHAN PROGRAM STUDI PERGURUAN TINGGI DENGAN PENDEKTAN HYBRID RECOMMENDATION UNTUK SISWA SMA SEDERAJAT



Recommendation System for Selecting Major University with Hybrid Recommendation Approaches for Equal High School Student



NIM : 1301154306 M.Widadio Ilham



Tugas akhir ini telah diterima dan disahkan untuk memenuhi sebagian syarat memperoleh gelar pada Program Studi Sarjana Informatika Fakultas Informatika Universitas Telkom



Bandung, 04 Agustus 2019 Menyetujui



Pembimbing I,



Pembimbing II,



Ibnu Asror, S.T., M.T.



Yusza Reditya Murti, S.T., M.Kom



NIP. 06840031



NIP. 15870091 Ketua Program Studi Sarjana Informatika,



Niken Dwi Wahyu Cahyani, S.T., M. Kom., Ph. D. NIP: 00750052



LEMBAR PERNYATAAN Dengan ini saya, Muhamad Widadio Ilham, menyatakan sesungguhnya bahwa Tugas Akhir saya dengan judul “Sistem Rekomendasi Pemilihan Program Studi Perguruan Tinggi dengan Pendekatan Hybrid Recommendation Untuk Siswa SMA Sederajat” beserta dengan seluruh isinya adalah merupakan hasil karya sendiri, dan saya tidak melakukan penjiplakan yang tidak sesuai dengan etika keilmuan yang belaku dalam masyarakat keilmuan. Saya siap menanggung resiko/sanksi yang diberikan jika di kemudian hari ditemukan pelanggaran terhadap etika keilmuan dalam buku TA atau jika ada klaim dari pihak lain terhadap keaslian karya,



Bandung, 05 Agustus 2019 Yang Menyatakan



Muhamad Widadio Ilham



Sistem Rekomendasi Pemilihan Progran Studi Perguruan Tinggi dengan Pendekatan Hybrid Recommendation untuk Siswa SMA Sederajat Muhamad Widadio Ilham1, Ibnu Asror2, Yusza Reditya Murti3 1,2,3



Fakultas Informatika, Universitas Telkom, Bandung [email protected], [email protected], [email protected]



1



Abstrak Jenjang perguruan tinggi merupakan salah satu jenjang terpenting dalam menentukan masa depan seorang pelajar. Melalui program studi yang dipilih seseorang bisa menerapkan kemampuan yang telah diasah menuju dunia pekerjaan. Karenanya banyak siswa/i SMA yang begitu serius dalam menentukan program studi yang tepat untuk memaksimalkan potensi diri. Namun memilih program studi yang tepat sesuai dengan kemampuan dan keinginan bukan merupakan hal yang sederhana. Hal ini dikarenakan ragam faktor pertimbangan mempersulit siswa/i SMA dalam mengambil keputusan. kesulitan menentukan keputusan program studi yang ingin dipilih dapat mengakibatkan dampak merugikan bagi siswa/i yang akan menempuh perguruan tinggi, sehingga dalam hal ini siswa/i harus lebih teliti dalam memilih program studi. Pada penelitian ini digunakan pendekatan Hybrid Recommendation untuk membantu merekomendasikan suatu rekomendasi dalam memilih program studi dengan menetapkan 4 alternatif pilihan dari ragam alternatif yang dihasilkan berdasarkan kriteria tertentu. Tujuan penelitian yang hendak dicapai ialah untuk membangun sistem rekomendasi program studi yang mampu mengolah kriteria nilai 4 mata pelajaran dan kriteria pilihan program studi sebagai program studi yang diminati, menerapkan penggabungan metode K-Nearest Neighbor(KNN) dengan Simple Additive Weighting sebagai pembobot kriteria dari hasil kemiripan neighbornya. Sehingga siswa/i memiliki alternatif jurusan yang bisa dipertimbangkan untuk menguragi keraguan dalam memilih program studinya. Dari hasil pengujian sistem dengan melibatkan 2451 baris data untuk dataset, dan 38 data uji pengguna dihasilkan 71.4% tingkat akurasi untuk sistem rekomendasi yang dibangun. Kata kunci : pendekatan hybrid recommendation, sistem rekomendasi, program studi Abstract University educational level is one of the most important educational level in deciding the future of a student. Where with the chosen major someone can implement their sharpened skills towards the world of works. Therefore many high school student prepare themselves seriously after the educational level of high school studies to deciding the right major for maximize their potential. But deciding the right major with the same interest and capability is not an easy task. This happened because many factors of criteria that complicate the decision making process. The struggle to decide major university decision able to detrimental the students who will join university educational level soon, so a student must be careful in deciding the decision. In this research hybrid recommendation approach is being used to help recommend a recommendation in deciding a major universities with an assign of 4 recommend alternatives from all of the alternatives system has. The purpose of the research to be achieved is to build a recommendation major universities system that capable of processing lesson value criteria from 4 subjects and processing chosen pre-major universities as shown their interest, Implement a merging system from K-Nearest Neighbour with Simple Additive Weighting as a weighting criteria from the similar neighbour. So the student has major universities alternatives that they can consider for reducing the confusion in deciding the major universities. From the result, The system testing which used 2451 data as dataset, and 38 corresponden. This system get 71.4% of accuracy for the sucssess result. Keyword: hybrid recommendation approach, recommendation system, university major



1. Pendahuluan 1.1 Latar Belakang Setelah menempuh Pendidikan di Sekolah Menengah Atas atau Sekolah Menengah Kejuruan, siswa akan melanjutkan jenjang pendidikannya menuju Pendidikan Tinggi (Perguruan Tinggi) [1] . Berbeda dengan jenjang Pendidikan sebelumnya, Perguruan tinggi memegang peranan yang lebih besar karena mampu menentukan masa depan seorang siswa dan perkembangan suatu bangsa. Seperti yang diungkapkan oleh Sri Mulyani Indrawati, Menteri Keuangan Republik Indonesia dalam Rapat Kerja Nasional Kementrian Riset, Teknologi, dan Pendidikan Tinggi (Kemenrisetdikti) di Gedung Gelanggan Mahasiswa Universitas Sumatera Utara. Beliau mengatakan bahwa Pendidikan tinggi ialah kunci yang sangat vital dalam menentukan kemampuan bangsa Indonesia untuk terus mencapai kemajuan dan kemakmuran bagi seluruh rakyat Indonesia [2]. Oleh karena itu dibutuhkan pemahaman yang tepat bagi siswa mengenai tiap program studi yang terdapat di perguruan tinggi, untuk memaksimalkan potensi perkembangan Pendidikan dan juga siswa itu sendiri. Namun hal tersebut bukanlah hal yang sederhana, banyaknya program studi yang terdaftar di Indonesia [3], ditambah beragam faktor pertimbangan seperti citra perguruan tinggi,lapangan pekerjaan, minat, dan orangtua [4] [5] [6]. Memberi kesulitan tersendiri untuk menentukan program studi yang tepat, terlihat dari banyaknya mahasiswa yang telah memilih program studi namun merasa kurang puas atas pilihannya, hingga berujung beranggapan telah salah jurusan. Seperti yang dikatakan oleh bapak Endro Prasetyo Aji, direktur Talents Mapping dalam konferensi pers Indonesia Resource Forum (HRF) 2017 di Jakarta, Dikatakan bahwa sebanyak 87% mahasiswa Indonesia merasa salah mengambil jurusan [7] . Jika diterapkan pada data mahasiswa Indonesia dalam buku laporan tahunan 2017 Kemenrisetdikti [8], dapat disimpulkan bahwa sebanyak 6,024,324 mahasiswa yang merasa salah jurusan. Dampak yang dapat ditimbulkan sangat beragam, diantaranya konflik batin mahasiswa, depresi, indeks prestasi yang jelek, dan pindah jurusan [9] . Bahkan bukan tidak mungkin mengalami Dropout mengingat tingginya tingkat dropout di Indonesia [8] . Sehingga dalam hal ini siswa harus lebih berhati hati dalam pemilihan program studi. Dalam penelitian kali ini, untuk membantu siswa dalam mempertimbangkan alternatif keputusan (program studi) yang tepat, maka penggunaan sistem rekomendasi dengan pendekatan hybrid recommendation digunakan. Dimana sistem akan merekomendasikan 4 alternatif rekomendasi utama dari beberapa alternatif yang dimiliki, berdasarkan pertimbangan dua kriteria yaitu kriteria akademis dan pilihan jurusan. Kriteria akademis yang berisikan nilai matematika, nilai fisika, nilai Bahasa inggris, dan nilai Bahasa Indonesia akan diolah dengan metode K-Nearest Neighbor(K-NN). Dimana data berdimensi N akan melakukan perhitungan jarak dari data uji ke data latih berdasarkan kriteria akademis untuk kemudian digunakan sebagai kemiripan/ketidakmiripan antar data uji dengan data latih. Semakin dekat jarak yang dimiliki, semakin serupa kriteria yang dimiliki. Alih-alih mengambil kelas terbanyak sebagai sebuah keputusan, K-NN dalam penilitian kali ini mengambil sejumlah data dengan cakupan K sebagai ranking sementara untuk diranking kembali berdasarkan model ranking untuk berikutnya digunakan strategi pembobotan tertentu dalam mengkalkulasi dan mengambil rekomendasi sejumlah n terakhir [10] [11] Strategi pembobotan yang diterapkan dalam penelitian kali ini ialah Simple Additive Weigthing(SAW), dengan menjadikan ranking sementara dari hasil KNN sebagai alternatif hasil sementara, dan kriteria pilihan jurusan sebagai alternative pilihan jurusan, sehingga didapatkan penjumlahan terbobot sebagai akhir alternatif rekomendasi [12] [13].



1.2 Topik dan Batasannya Sistem rekomendasi merupakan alat dan teknik perangkat lunak yang menyediakan saran yang berguna untuk mempermudah pengguna menentukan pilihan Dalam banyak studi kasus sistem rekomendasi, seperti sistem rekomendasi sepeda, sistem rekomendasi tipe mobil, dan lainnya [14] [15] [16]. Penelitian kali ini menggunakan ranah Pendidikan berupa sistem rekomendasi program studi perguruan tinggi, dengan studi kasus Universitas Telkom untuk memberikan alternatif-alternatif program studi. Bertujuan mempermudah pengguna, dalam hal ini adalah siswa/i SMA guna menentukan program studi yang ingin dia pilih. Penelitian menggunakan nilai akademis berupa nilai rata-rata rapot/nilai UN dari 4 mata pelajaran, pelajaran Matematika, Fisika, Bahasa Inggris, Bahasa Indonesia dan 1 – 5 pilihan jurusan yang siswa/i inginkan. Adapun data yang diolah dalam penelitian kali ini berasal dari data peserta yang lolos Seleksi Mahasiswa Baru (SMB) yang diselenggarakan oleh Universitas Telkom melalui Jalur Prestasi Akademik (JPA) untuk tahun ajaran 2018 – 2019. Berdasarkan data yang dimiliki, dari 36 program studi yang dimiliki oleh Universitas Telkom, dengan rincian 26 program studi kelas non internasional dan 10 program studi dengan kelas internasional. Digunakan 26 program studi kelas non-internasional sebagai alternatif rekomendasi guna memberikan kemudahan siswa/i dalam memilih alternatif rekomendasi.



1.3 Tujuan Penelitian ini bertujuan untuk membangun sistem rekomendasi program studi yang mampu mengolah kriteria nilai 4 mata pelajaran dan kriteria pilihan program studi sebagai program studi yang diminati, untuk dijadikan alternatif rekomendasi berupa 4 alternatif program studi kepada siswa/i SMA sederajat. Penelitian menggunakan pendekatan hybrid recommendation dimana metode yang diterapkan ialah K-Nearest Neighbor(KNN) untuk mengolah kriteria akademis dan Simple Additive Weighting (SAW) untuk mengolah kriteria pilihan jurusan. Pertama sistem akan melakukan perhitungan jarak kemiripan 4 nilai akademis dengan metode K-NN antara data latih dengan data uji. Setelahnya ditentukan sebanyak K = 7 untuk mengambil cakupan Neighbor dengan jarak terdekat. Lalu dilakukan perankingan kembali berdasarkan model ranking yang telah ditentukan mengacu pada ketentuan K-NN, dimana kelas dengan jumlah kemunculan terbanyak dan jarak terdekat memiliki bobot yang lebih tinggi [10] [12], untuk mengurutkan dan menghilangkan kemungkinan adanya duplikasi dari alternatif hasil sementara. Alternatif hasil sementara digunakan dalam metode SAW bersama dengan alternatif kriteria pilihan jurusan untuk mendapatkan hasil bobot terakhir [12]. 1.4 Organisasi Tulisan Penulisan jurnal penelitian ini terdiri dari lima bab. Pada bab 1, berisikan tentang latar belakang penentuan penelitian ini, topik dan Batasan yang terkandung didalamnya, serta tujuan dilakukannya penelitian. Pada bab 2, mengandung teori yang menunjang dilakukannya penelitian ini. Bab 3 merupakan implementasi dan tata cara pembangunan sistem yang diteliti pada penelitian ini. Selanjutnya, bab 4 berisi analisis hasil dari sistem yang telah dibangun. Terakhir, pada bab 5 mengandung kesimpulan dari semua kegiatan yang dilakukan pada penelitian. 1. Studi Terkait 2.1 Sistem Rekomendasi Ide dasar dari sistem rekomendasi (Recommender system) ialah memanfaatkan sumber daya yang ada untuk menarik minat pengguna terhadap suatu item. Analisis rekomendasi seringkali berdasar pada interaksi sebelumnya yang terjadi antara pengguna dan item, karena minat masa lalu dan kecenderungan kepentingan seringkali menjadi indikator yang baik untuk pilihan dimasa yang akan datang. Sistem rekomendasi ditujukan untuk membantu proses pengambilan keputusan sehingga mampu membebaskan pengguna dari kesulitan menemukan solusi pengambilan keputusan atas preferensi yang dimiliki. Biasanya sistem rekomendasi memberikan list dari Top-N item rekomendasi yang bisa menjadi pertimbangan dari user yang membutukan. Penerapan sistem rekomendasi sendiri telah dilakukan ke beberapa domain, seperti sistem rekomendasi untuk periklanan, e-commerce, dan lain lain [17] [18] [19]. Sedang dalam penelitian kali ini domain yang digunakan ialah rekomendsi perguruan tinggi. Seiring perkembangan zaman, Sistem rekomendasi memiliki beberapa turunan berdasarkan bentuk informasi yang digunakan untuk merekomendasikan suatu item, antara lain sebagai berikut [20] : a) Content-based Filtering System: menggunakan informasi dari pengguna aktif dan data tentang itemitem. b) Collaborative Filtering System: Menggunakan informasi tentang sekumpulan pengguna dan relasi mereka terhadap item-item untuk menyediakan ragam rekomendasi pada pengguna aktif. c) Demographic Filtering System: Menggunakan informasi demografis seperti umur, jenis kelamin, edukasi, dan lain-lain dari orang-orang untuk mengidentifikasi tipe pengguna d) Hybrid System : Menggunakan 2 atau lebih sistem sebelumnya untuk meningkatkan kualitas rekomendasi. 2.2 Pendekatan Hybrid Recommendation Kebanyakan algoritma rekomendasi bertujuan meringankan informasi yang terlalu banyak dengan cara mengidentifikasi rekomendasi mana yang bisa dipertimbangkan pengguna. Contohnya, Content-Based(CB) filtering menggunakan fitur dari item-item sedangkan Collaborative filtering (CF) bergantung terhadap pendapat/opini kemiripan pengguna untuk merekomendasikan keputusan. Dengan ragam input yang berbeda beda masing-masing dari sistem tersebut bisa berjalan dengan baik dalam skenario percobaan yang berbeda-beda. Namun, setiap metode Sistem rekomendasi tidak sepenuhnya sempurna, karena masing-masing Sistem memiliki kekuatan dan kelemahan tersendiri, seperti Sistem yang menggunakan CB dan CF tidak sepenuhnya sempurna hal ini dikarenakan CB dan CF yang masing masing memiliki Batasan berupa coldstart problem, Data sparsity, dan Scalability [21]. Beberapa Sistem rekomendasi sejatinya telah menerapkan pendekatan hybrid nya sendiri, seperti penggabungan CF dan CB, Knowledge-Based dan CF dan lain lain. Karena melalui pendekatan Hybrid tiap



Batasan atau permasalahan dari masing-masing Sistem rekomendasi bisa teratasi [14] [17] [22] Dalam sistem rekomendasi terdapat 3 cara utama untuk menciptakan Sistem rekomendasi dengan pendekatan Hybrid [17]: a) Ensemble design : Dalam sistem ini, hasil dari algoritma sistem digabungkan untuk menjadi satu atau lebih keluaran baru. Contohnya, satu Sistem bisa jadi menggabungkan rating dari output Content-Based dan Collaborative Filtering menjadi satu keluaran saja. b) Monolithic design : Dalam sistem ini, algoritma rekomendasi gabungan diciptakan, berdasarkan pada variasi data yang dimiliki. Sehingga dengan monolithic design algoritma dari suatu Sistem akan mengalami modifikasi untuk menciptakan algoritma yang baru. c) Mixed system: Seperti Ensemble, sistem ini menggunakan ragam algoritma rekomendasi, tapi item yang direkomendasikan melalui beragam sistem ditampilkan bersisian. Meskipun sistem rekomendasi biasanya menggabungkan kekuatan dari berbagai jenis Sistem rekomendasi, tidak ada alasan mengapa Sistem dengan pendekatan Hybrid tidak bisa berlandaskan gabungan dari jenis Sistem rekomendasi yang seragam. Sebagai contoh, jika content based yang sejatinya ialah Sistem untuk mengolah data dalam bentuk text, namun tidak menutup kemungkinan apabila Sistem juga disertakan model klasifikasi apapun sebagai pendekatan hybrid untuk meningkatkan efektifitas dari Content Based itu sendiri. Argumen ini juga berlaku terhadap collaborative filtering [17]. Pada penelitian kali ini, pendekatan Hybrid yang coba dibangun ialah pendekatan berdasarkan Ensemble design.



Gambar 1. Taksonomi pendekatan Hybrid



2.3 Ensemble Design Seperti yang telah dijelaskan, Ensemble Design menggabungkan hasil dari algoritma Sistem rekomendasi, dimana output yang dimiliki tidak harus selalu langsung dikombinasikan. Melainkan output sebelumnya bisa digunakan untuk input pada Sistem berikutnya dengan beberapa kriteria fitur yang dimiliki. Hal yang paling umum dalam penerapan output yang dijadikan inputan ialah menggunakan hasil rekomendasi yang telah dimiliki untuk dijadikan skor/ranking sistem berikutnya. Ensemble design juga bisa diklasifikasikan kedalam emapat kategori berikut ini [17]: a)



Weighted: Skor dari beberapa hasil rekomendasi akan digabungkan menjadi satu nilai skor yang didapat dari perhitungan agregat pembobotan. Model dari metodelogi pembobotan bisa berbentuk heuristic atau model statistic biasa b) Switching:Algoritma switching mengganti metode metode Sistem rekomendasi yang disertakan untuk digunakan sesuai dengan fase-fase keadaan yang tepat. c) Cascade : Dalam pendekatan cascade, sistem ini menggunakan salah satu sistemnya sebagai pengembangan Sistem lainnya berdasarkan proses data latih yang diterapkan ke 2 sistem untuk hasilnya digabungkan. d) Feature Augmentation: Pendekatan ini membuat keluaran/output sebuah sistem rekomendasi untuk digunakan kembali sebagai fitur dari sistem berikutnya. Sistem yang sering dibangun berlandaskan landasan ini biasanya berupa klasifikasi.



Pada penelitian ini pendekatan Hybrid dengan jenis Ensemble design dan kriteria Feature Augmentation digunakan. Dimana hasil dari K-Nearest Neighbor akan digunakan kembali dan diproses dengan Simpple Additive Weighting untuk didapatkan ranking hasil rekomendasi akhir senilai top-K yang ditentukan.



Gambar 2. Feature Augmentation



2.4 K-Nearest Neighbor K-Nearest Neighbor(K-NN) ialah bagian dari teknik klasifikasi dan algoritma supervised learning yang bertujuan untuk membangun model klasifikasi melalui tahapan tahapan tertentu, dalam menemukan jarak terdekat sehingga model tersebut mampu memberikan label kelas pada data yang belum memiliki label sebelumya. Selain berdasarkan jarak terdekat, data yang baru juga akan diklasifikasikan berdasarkan mayoritas kemunculan pada algoritma K-NN dengan nilai K yang telah ditentukan [12] [23]. Dalam klasifikasi sendiri terdiri dari dua langkah utama [23] a) Learning: Dengan tujuan untuk membentuk aturan/model klasifikasi b) Testing: Untuk memperkirakan akurasi dan menguji keberhasilan dibangunnya suatu model klasifikasi Untuk mendapatkan jarak terdekat dilakukan pengukuran jarak dengan metrik pengukuran Euclidean distance. Cara kerjanya dengan mengukur seberapa jauh data latih dengan data uji untuk ditentukan nilai similarity nya, metrik terkecil yang dihasilkan menandakan semakin tinggi nya kemiripan kedua data [12] [24]. Untuk lebih jelasnya bisa dilihat pada persamaan (1): 𝐷𝑥𝑦 = √∑𝑛𝑖=1(𝑥𝑖 − 𝑦𝑖)2



(1)



Dimana D adalah jarak kedekatan yang ingin dicari, 𝑥 ialah data training yang akan menjadi pembanding, dan 𝑦 merupakan data testing. Sedangkan untuk n merupakan jumlah atribut individu (n = 1,2..n).



Langkah-langkah untuk menghitung/menjalankan metode K-NN ialah [12] [23]: a)



Menentukan parameter K, yang bertujuan untuk menentukan jumlah tetangga terdekat yang akan dipertimbangkan b) Menghitung proses Euclidean distance masing-masing data latih yang dimiliki terhadap data uji yang sedang diujikan menggunakan persamaan 1 c) Kemudian merunutkan data/objek tersebut kedalam kelompok dengan jarak Euclidean terkecil d) Mengumpulkan kategori jarak terdekat sesuai dengan jumlah k yang dimiliki e) Dengan menggunakan kategori tersebut, maka kemunculan kelas paling banyak akan diprediksi sebagai nilai kelas dari data uji yang sedang diproses Dalam Sistem rekomendasi, K-NN biasanya diberikan rating untuk pengurutan ranking sesuai dengan ketentuan item yang diberikan, Rating bisa bersifat angka apa saja namun seringkali yang digunakan ialah rating dalam cakupan [1;5] [25]. Dan untuk kasus multi-label klasifikasi, K-NN dengan pendekatan ranking based bisa diterapkan. Pendektan ini menggunakan ranking model untuk melakukan proses re-rank yang bisa lebih dipercaya untuk diterapkan kedalam strategi Weighted K-NN based ,dimana pada akhirnya pembobotan akan diberikan kepada alternatif-alternatif, dan bobot paling tinggi yang akan dipertimbangkan dalam mengambil keputusan [10]. Dalam KNN ranking based, data uji yang biasanya langsung diberikan label, sesuai dengan kemunculan terbanyak label data latih dalam cakupan k terdekat, diberikan pertimbangan terlebih dahulu, Berupa alternatifalternatif dengan jarak neighbour k terdekat untuk berikutnya di ranking kembali. Proses ranking ulang dilakukan



berdasarkan model ranking, dalam penelitian ini ialah cara manual penentuan hasil KNN, yaitu kemunculan label dalam cakupan k dan jarak terdekat. Dimana semakin dekat suatu jarak maka nilai bobot yang dimiliki lebih tinggi. Akhirnya setelah melalui tahap ranking model, alternatif alternatif yang terpilih kan diolah melalui strategi pembobotan untuk menghasilkan alternatif alternatif rekomendasi utama [10].



Gambar 3 Alur sistem K-NN Ranking Based 2.5 Simple Additive Weighting Simple Additive Weighting (SAW) umumnya dikenal sebagai metode penambahan bobot. Konsep dasar dari metode ini ialah mencari rating performansi dari penjumlahan terbobot untuk setiap alternatif dalam tiap kriteria [26]. Sejatinya SAW ialah salah satu metode dari penyelesaian permasalahan fuzzy Multi Attribute Deision Making (FMADM), dimana FMADM merupakan metode untuk menentukan kumpulan dari ragam alternatif terbaik berdasarkan beberapa kriteria. FMADM juga digunakan ketika atribut data merupakan informasi yang tidak bisa dikalkulasi [13]. Dalam metode SAW digunakan fuzzy number untuk memprosees informasi yang tidak bisa dikalkulasi, dengan preferensi bobot fuzzy numer seperti berikut [13]: Table 1. Nilai standarisasi angka fuzzy Fuzzy Number Preference Very Good (1; 0.8; 1) Good (0.75; 0.6; 0.9) Fair (0.5; 0.3; 0.7) Poor (0.25; 0.05; 0.45) Very Poor (0; 0; 0.2)



Metode SAW memerlukan proses normalisasi dari matriks keputusan ke skala yang bisa dibandingkan dengan semua peringkat alternatif. Metode ini memiliki 2 persamaan yaitu persamaan (2) dan persamaan (3) [12] [13] [26]:



𝑟𝑖𝑗



xij Maxi xij, {Minxi xij xij



(2) (3)



Dimana 𝑟𝑖𝑗 adalah rating performansi ternormalisasi dari alternatif Ai(i = 1,2….,m) dan atribut/kriteria Cj(j = 1,2…,n). Persamaan (2) digunakan jika j adalah kriteria keuntungan/benefit, sedangkan Persamaan (3) digunakan jika j adalah kriteria biaya/cost. Nilai preferensi untuk setiap alternatif (𝑉𝑖) dapat dilihat pada Persamaan (4) [13]: 𝑛



𝑉𝑖 = ∑ 𝑤𝑗 𝑟𝑖𝑗



(4)



𝑗=1



Dimana 𝑤𝑗 adalah bobot preferensi dari setiap kriteria yang diberkan. Nilai 𝑉𝑖 yang lebih besar mengindikasikan bahwa alternatif 𝐴𝑖 dipilih [12] [13].



Dalam penelitian ini, kriteria yang digunakan dalam proses SAW adalah kriteria hasil sementara, yang didapat dari alternatif hasil metode K-NN dan kriteria pilihan jurusan yang dipilih oleh pengguna dari metode penelitian ini. Alternatif hasil sementara digunakan berdasar pada pendekatan hybrid recommendation dengan cara Ensemble design, dengan output metode digunakan sebagai input pada metode lainnya. Dalam Sistem Pengambilan Keputusan metode KNN dan SAW pernah dilakukan beberapa kali dalam ranah domain yang berbeda-beda, seperti penelitian yang dilakukan oleh Delfi Yanosma dkk [12]. dalam menentukan keputusan seleksi penerimaan anggota paskibra dan penilitan yang dilakukan oleh Danar Putra Pamungkas dkk [15]. dalam menentukan keputusan pemilihan sepeda. 2.6 Performansi akurasi Untuk mengukur nilai dari akurasi sistem yang diteliti, performansi akurasi digunakan. Dimana performa yang di tinjau ialah nilai ketepatan suatu item yang dapat di klasifikasi dengan benar. Perhitungan performansi akurasi dapat dilihat pada persamaan (5) [27] [28]



𝑃𝑒𝑟𝑓𝑜𝑟𝑚𝑎𝑛𝑠𝑖 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =



𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑐𝑎𝑟𝑎 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛



(5)



3. Sistem yang Dibangun



Gambar 4. Skema perancangan sistem rekomendasi



Untuk pembangunan sistem rekomendasi menggunakan pendekatan hybrid recommendation dengan metode K-Nearest Neighbor(K-NN) dan Simple Additive Weighting(SAW), dibentuklah sebuah skema perancangan umum, dimana terdapat 5 sub Proses yang membangun sistem rekomendasi ini, seperti terlihat pada Gambar 4. 3.1 Dataset Dataset yang digunakan berupa data peserta yang lolos Seleksi Mahasiswa Baru (SMB), yang diselenggarakan oleh Universitas Telkom melalui Jalur Prestasi Akademik (JPA) untuk tahun ajaran 2018-2019. Dataset terdiri dari 13 kolom (terdiri dari kolom nomor, UserID, Nilai rata-rata Bahasa Indonesia, Nilai rata-rata Bahasa inggris, Nilai rata-rata Matematika, Nilai rata-rata Fisika, Program Studi Pilihan 1, Program Studi Pilihan 2, Program Studi Pilihan 3, Program Studi Pilihan 4, Program Studi Pilihan 5, Status Berkas, Keterangan Lulus) dan 5988 baris data. Kemudian dataset dipisahkan antara kategori peserta yang lulus dan peserta yang tidak lulus, sehingga dari 5988 data baris secara keseluruhan, terdapat kurang lebih 2500 baris data peserta yang lulus. Sehingga hanya data yang digunakan ialah 2500 data. Kemudian dilakukan pencarian anomali data, misalnya terdapat data yang memiliki nilai atribut yang hilang, seperti peserta yang tidak memilih satu program studi namun



dinyatakan lulus di program studi tertentu, atau peserta yang lulus suatu program studi namun tidak menginput 1 nilai mata pelajaran, yang mana peserta lainnya secara dominan menginputkan nilai mata pelajaran tersebut. Setelah preprocessing selesai dilakukan, maka dibentuk beberapa aturan dalam pemilihan program studi yang dilakukan oleh siswa/i. Adapun aturan aturan ini berlaku atas dasar peraturan Admisi Telkom University [29] tersebut diantaranya: a) Setiap program studi dikelompokkan berdasarkan kategori kejuruan pada jenjang SMA, yakni IPA dan IPS. Setelah melakukan analisis pada tahap preprocessing sebelumnya, maka dihasilkan sebuah tabel kelompok program studi seperti pada Table 2.



Table 2. Program studi berdasarkan kategori Program Studi Kategori Sains Program Studi Kategori Sosial 1. 2. 3. 4. 5. 6. 7. 8. 9.



S1 Teknologi Informasi S1 Teknik Telekomunikasi S1 Teknik Informatika S1 Teknik Industri S1 Teknik Fisika S1 Teknik Elektro S1 Sistem Komputer S1 Sistem Informasi D3 Teknik Telekomunikasi 10. D3 Teknik Informatika



1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16.



S1 MBTI S1 Kriya Tekstil dan Mode S1 Ilmu Komunikasi S1 Digital Public Relation S1 Desain Produk S1 Desain Komunikasi Visual S1 Desain Interior S1 Creative Arts (Film and Photography, Intermedia, Painting) S1 Akutansi S1 Administrasi Bisnis D4 Terapan Sistem Multimedia D3 Teknik Komputer D3 Perhotelan D3 Manajemen Pemasaran D3 Manajemen Informatika D3 Komputerisasi Akutansi



b) Dari tabel 1, siswa/i dari kejuruan IPA dapat memilih baik program studi kategori Sains dan Sosial, sedangkan siswa/i jurusan IPS hanya dapat memilih program studi kategori Sosial saja. Aturan ini diperoleh dari aturan yang dibuat oleh divisi Admisi Nasional Universitas Telkom. Dengan demikian penulis menerapkan aturan yang sama yang dibuat oleh pihak Universitas Telkom. c)



Dari tabel 1, bagi siswa/i yang memilih salah satu program studi kategori jurusan Sains wajib menginputkan 4 buah nilai rata-rata mata pelajaran, yakni Bahasa Indonesia, Bahasa Inggris, Matematika, dan Fisika. Sedangkan program studi kategori jurusan IPS wajib menginputkan 3 buah nilai rata-rata mata pelajaran, yakni Bahasa Indonesia, Bahasa Inggris, dan Matematika.



Selanjutnya, dataset siap untuk digunakna dalam proses K-Nearest Neighbor.



3.2.1 Input mata pelajaran Sistem rekomendasi yang dirancang melibakan 1 aktor, yaitu siswa/i SMA sederajat. Langkah untuk melakukan input nilai mata pelajaran dimulai dengan penentuan kejuruan siswa/i semasa SMA diantara kejuruan IPA atau kejuruan IPS, hal ini ditujukan untuk menentukan nilai rata-rata mata pelajaran apa saja yang harus dipertimbangkan dan program studi apa saja yang nantinya bisa di pilih sebagai program studi pilihan. Setelah kejuruan ditentukan maka proses input nilai rata-rata mata pelajaran pada rapot semester akhir siswa bisa



diberikan, rata-rata mata pelajaran dibatasi pada 4 mata pelajaran sesuai dengan dataset yang dimiliki dan ketentuan permintaan Universitas Telkom selaku studi kasus kali ini. Diantaranya rata-rata mata pelajaran Bahasa Indonesia, rata-rata mata pelajaran Bahasa Inggris, rata-rata mata pelajaran Matematika, rata-rata mata pelajaran Fisika untuk kejuruan IPA dan 3 mata pelajaran berupa rata-rata mata pelajaran Bahasa Indonesia, rata-rata mata pelajaran Bahasa Inggris, rata-rata mata pelajaran Matematika untuk kejuruan IPS. Input data disesuaikan dengan peraturan Admisi Nasional Telkom University [29]. Table 3. Input nilai rata-rata rapot per mata pelajaran



3.2.2 Input pilih jurusan Setelah proses input mata pelajaran dilakukan, maka siswa/i berikutnya akan diminta untuk memilih minimal 1 jurusan pilihan dan maksimal 5 jurusan pilihan yang sekiranya menarik minat dan ingin di pertimbangkan. Pertimbangan menggunakan program studi pilihan sebagai input ke 2 sistem adalah karena program studi cukup mempengaruhi faktor minat mahasiswa dalam memilih jurusan [30]. Adapun aturan pemilihan program studi telah dijelaskan pada sub bab Dataset untuk aturan pilihan program studi poin 2. Pada rancangan sistem rekomendasi ini siswa/i menginputkan berapa jumlah jurusan yang ingin dia pilih, lalu menginputkan kode jurusan sebanyak jumlah jurusan yang dipilih(maksimal 5), sesuai dengan kode jurusan yang terdaftar dalam sistem.Untuk lebih jelasnya bisa dilihat contoh kode jurusan dan input pilih jurusan pada Table 4. dan Table 5.



Table 4. Contoh kode program studi



Table 5. Input program studi pilihan



3.3 Algoritma K-NN Setelah siswa/i sukses menginputkan kebutuhan sistem akan inputan user, proses K-NN akan dijalankan terlebih dahulu dengan melibatkan inputan rata-rata nilai rapot tiap mata pelajaran. Untuk gambaran terperinci mengenai bagaimana implementasi model algoritma K-NN yang diterapkan pada penelitian ini, bisa dilihat pada Gambar 3. Pada penelitian kali ini, proses K-NN dimulai dengan menentukan nilai K [12] [23], dimana nilai K disini akan digunakan sebagai cakupan k-neighbor terdekat untuk menjadikan neighbor-neighbor tersebut sebagai alternatif hasil rekomendasi program studi sementara. Pada penlitian ini nilai k yang digunakan ialah K = 7. Berikutnya inisiasi dataset yang kita miliki untuk dijadikan olah data saat proses perhitungan jarak dan penentuan alternatif program studi berlangsung [23]. Table 6. Dataset yang digunakan



Setelah dataset di inisiasikan, langkah berikutnya ialah menghitung Euclidean distance sesuai dengan persamaan (1). Dimana 𝑥𝑖 berisikan nilai rata-rata tiap mata pelajaran yang terdata dalam dataset, dan 𝑦𝑖 berisikan



nilai rata-rata tiap mata pelajaran yang diberikan oleh siswa/i dalam pengujian [12] . Hasil dari perhitungan Euclidean distance berupa jarak antar dataset dan data siswa/i yang ditampilkan pada Table 7.



Table 7. Hasil euclidean distance



Lalu berikutnya, sistem akan mengurutkan data/objek jarak yang dimiliki menjadi jarak terkecil sesuai dengan ketentuan Nearest Neighbor. Dimana semakin kecil jarak yang dipunyai akan dinilai semakin serupa/similar [12]. Dari urutan data terkecil yang dimiliki, akan diambil beberapa alternatif data sejumlah dengan nilai K yang telah ditentukan [20]. Dalam penelitian ini, nilai K=7 menentukan sistem untuk mengambil 7 alternatif dengan jarak terkecil. Hasil dari perunutan nearest neighbour dan program studi nya terlihat pada Table 8.



Table 8. Hasil Nearest neighbor



Setelah didapatkan alternatif data sejumlah nilai K, sistem akan melakukan perangkingan ulang berdasarkan model ranking yang ditetapkan [10], yaitu nilai kemunculan suatu alternatif terbanyak dan jarak terdekat, sehingga hasil re-ranking akan didapat dan dijadikan alternatif hasil rekomendasi sementara untuk diolah algoritma SAW berikutnya. Table 9. Hasil re-rank alternatif program studi



Apabila siswa/i yang menjalankan sistem ini merupakan siswa/i kejuruan IPA, sesuai dengan aturan aturan pilihan program studi pada sub bab Dataset poin 2. Maka Alternatif hasil rekomendasi sementara ikut melibatkan alternatif kejuruan sains dan sosial untuk dipertimbangkan nilai bobot dan keputusan akhirnya. Sedangkan untuk siswa/i kejuruan IPS hanya memiliki alternatif hasil rekomendasi sementara sosial saja.



3.4 Algoritma SAW Setelah proses algoritma K-NN dijalankan, hasil dari re-rank yang tersedia akan dijadikan salah satu alternatif kriteria pada algoritma SAW. Sebelum memulai proses pembobotan dan perhitungan SAW, hal pertama yang harus dilakukan ialah menentukan kriteria untuk setiap alternatif yang ada [12]. Dalam penelitian kali ini, digunakan 2 kriteria untuk alternatif yang dimiliki sistem, diantara lain:



a) Kriteria Hasil Sementara b) Kriteria Pilihan Jurusan Karena semua kriteria yang ada merupakan kriteria keuntungan/benefit, maka persamaan (2) digunakan untuk membangun matriks keputusan [12]. Langkah selanjutnya yakni menentukan bobot untuk tiap kriteria. Bobot kriteria digunakan untuk menetapkan bobot standar kepada setiap kriteria yang dimiliki, terdiri dari 5 fuzzy number beserta nilai bobotnya. Format bobot kriteria dapat dilihat pada Table 10.



Table 10. Bobot untuk tiap kriteria Rating Fuzzy Number Value 1 Tidak penting 0,2 2 Kurang 0,4 penting 3 Cukup penting 0,6 4 penting 0,8 5 Sangat penting 1 Maka setelah bobot preferensi tiap kriteria ditentukan, dirancang bobot untuk kriteria program studi pilihan. Bobot kriteria untuk program studi pilihan terdapat pada Table 11.



Table 11. Bobot kriteria progam studi piilihan Pilihan Ke



Minat terhadap program studi



Value



Tidak memilih



0 0.2



4



Tidak Berminat Sangat Kurang Kurang



3



Cukup



0.5



2



Baik



0.8



1



Sangat Baik



1



5



0.4



Selanjutnya, dirancang pula bobot kriteria untuk hasil sementara yang kita miliki. Bobot kriteria untuk hasil sementara terdapat pada Table 12.



Table 12. Bobot kriteria hasil sementara Ranking Hasil Sementara Value alternatif program studi 7 Tidak 0 direkomendasikan 6 Sangat kurang di 0.2 rekomendasikan 5 Kurang di 0.45 rekomendasikan 4 Cukup di 0.5 rekomendasikan



3 2 1



Di rekomendasikan Sangat di rekomendasikan Rekomendasi utama



0.75 0.9 1



Setelah semua langkah penentuan bobot kriteria selesai, maka Algoritma SAW dapat dijalankan, dengan menggunakan persamaan (2), (4), dan (5), sehingga akan mengeluarkan urutan rekomendasi program studi beserta nilai peringkat akhirnya. Karena K-NN telah menghasilkan kriteria hasil sementara, maka input pengguna terhadap pilihan program studi mulai diproses dan dipertimbangkan oleh sistem. Dalam kasus ini, input pengguna untuk pilihan program studi bisa dilihat pada Table 5. dengan nama program studi sesuai kode nya pada Table 4. Maka algoritma SAW akan memproses data yang dimiliki, yaitu hasil sementara dan program studi pilihan. Untuk di diskritasi sesuai pada bobot kriteria Table 12. dan Table 11. Sehingga diperoleh hasil diskritasi seperti gambarTable 13. Table 13. Contoh hasil diskritasi kriteria



Lalu Proses Normalisasi dilakukan dengan tujuan untuk menyetarakan nilai agar bisa dibandingkan dengan seluruh kriteria yang dimiliki, dengan menggunakan persamaan (2). Maka hasil normalisasi akan tampak seperti Table 14. Table 14. Contoh hasil normalisasi



Apabila terdapat kriteria pilih jurusan yang tidak dihasilkan pada alternatif hasil sementara, maka nilai bobot kriterianya menjadi 0 sesuai dengan Table 11. untuk kriteria tidak memilih. Dan untuk proses ranking akhir bisa dilakukan dengan menggunakan persamaan (4). Dimana nilai 𝑤𝑖𝑗 sebagai bobot preferensi tiap kriteria yang telah ditentukan mengacu pada Table 10. dan nilai 𝑟𝑖𝑗 ialah nilai normalisasi dari tiap kriteria seperti Table 14. sehingga jumlah perhitungan akan menghasilkan bobot total yang bernilai sebagai bobot akhir. Dalam penelitian ini nilai bobot preferensi kriteria ditentukan bernilai persamaan (6) 𝑤: [1; 1]



(6)



Sehingga hasil bobot total akan terlihat seperti pada Table 15.



Table 15. Perhitungan bobot akhir



Dan ranking akhir ditentukan berdasarkan nilai bobot yang lebih besar sesuai dengan ketentuan persamaan (4). Dan ranking akhir terlihat dari Table 16.



Table 16. Ranking akhir untuk rekomendasi alternatif



3.5 Output N Rekomendasi Program Studi Dalam sebuah penelitian yang dilakukan oleh Baizal dkk. [27], diperoleh nilai N optimal dalam memberikan output rekomendasi, yakni dengan N=4. Atas pertimbangan tersebut, maka sistem rekomendasi akan mengeluarkan output sebesar 4 alternatif program studi dengan ranking 1-4. Maka, pada Table 16. bisa disimpulkan bahwa alternatif yang akan direkomendasikan kepada siswa/i ialah S1 Teknik Industri, S1 Administrasi Bisnis, S1 Teknik Telekomunikasi, D4 Terapan Sistem Multimeda.



2. Evaluasi 4.1 Hasil Pengujian Hasil pengujian menampilkan bagaimana hasil uji coba dari sistem rekomendasi untuk program studi menggunakan pendekatan hybrid recommendation terdahap siswa SMA sederajat. Ini dilakukan guna mengukur kesuksesan dari metode rekomendasi yang diteliti dalam proses penelitian ini. Salah satu metode pengukuran akurasi hasil rekomendasi ialah dengan mencatat hasil presentase terkait keberhasilan sistem ketika diuji kepada pengguna, sistem dinyatakan sukses apabila dalam pengujiannya berhasil merekomendasikan program studi yang sesuai dan membuat pengguna setuju untuk mengambil alternatif yang ditawarkan [27]. Dan dalam penelitian ini, keberhasilan ditentukan dari tingkat akurasi terkait hasil koresponden penguji sistem rekomendasi yang dibangun, dari hasil kuisioner yang telah diberikan. Tingkat akurasi bisa didapatkan melalui: a) Ketepatan hasil alternatif rekomendasi yang diberikan, dengan jurusan yang sedang diemban saat ini b) Kemungkinan penguji menggunakan atau mempertimbangkan hasil alternatif rekomendasi yang diberikan, dan c) Kepuasan penguji terkait hasil alternatif rekomendasi yang diberikan. Dimana seluruh tingkat akurasi didapatkan melalui persamaan (5). 4.2 Analisis Hasil Pengujian Setelah dilakukan pengujian melibatkan 2451 baris dataset, 26 alternatif program studi dan 38 penguji, Didapatkan hasil tingkat akurasi melalui metode evaluasi yang telah ditentukan sebelumnya. Diantaranya: a)



Ketepatan hasil alternatif rekomendasi program studi yang diberikan, dengan program studi yang sedang diemban.



Kesesuaian Hasil Rekomendasi Jumlah Penguji sistem



30 25



24



20 14



15



Ya 10



Tidak



5 0



Progam Studi Sesuai



Ya



24



Tidak



14



Gambar 5. Kesesuaian Hasil Rekomendasi Grafik pada Gambar 5. terlihat bahwa 24 penguji mendapatkan alternatif program studi yang sesuai dengan program studi yang sedang dia jalani. Hal ini dapat ditentukan melalui ada atau tidaknya program studi yang dia empu didalam 4 hasil alternatif utama yang diberikan. Jika ada maka dikatakan program studi sesuai. Sedangkan sisanya tidak mendapatkan alternatif rekomendasi hasil yang serupa, sehingga akurasi sistem untuk pengujian ketepatan hasil berdasarkan persamaan (5) ialah 63%. b) Kemungkinan penguji menggunakan atau mempertimbangkan hasil alternatif rekomendasi program studi



Jumlah penguji sistem



Memilih untuk mengambil alternatif yang sistem berikan 35 30 25 20 15 10 5 0



30



8



ya tidak



Mengambil hasil alternatif-alternatif rekomendasi



ya



30



tidak



8



Penguji berstatus pelajar Mahasiswa



Gambar 6. Grafik pengguna berstatus mahasiswa dalam menerima hasil rekomendasi Grafik pada Gambar 6. Menunjukan hasil dan perubahan yang menarik. Dari 38, 30 diantaranya setuju untuk mengambil hasil alternatif rekomendasi yang diberikan, hal ini memberikan hasil perbedaan akurasi, dari akurasi sistem untuk pengujian ketepatan hasil alternatif rekomendasi senilai 63%, dan akurasi sistem untuk pengujian kemungkinan pengguna mengambil hasil alternatif rekomendasi 78,9%.



Kepuasan penguji terkait hasil alternatif rekomendasi program studi yang diberikan



jumlah penguji Sistem



c)



Kepuasan pengguna terhadap hasil alternatif rekomendasi 16 14 12 10 8 6 4 2 0



13



15



6



4 0



Kepuasan Akan hasil alternatif rekomendasi yang diberikan



Sangat Tidak Puas



4



Tidak Puas



0



Biasa saja



6



Puas



13



Sangat Puas



15



Penguji berstatus pelajar mahasiswa



Gambar 7. Kepuasan pengguna dengan status mahasiswa Dalam menguji tingkat kepuasan pengguna, nilai kepuasan direpresentasikan dalam skala 1 sampai 5, dimana 1 menyatakan bahwa pengguna yang menguji sistem ini merasa sangat tidak puas terhadap alternatif rekomendasi yang ditawarkan, dan 5 menyatakan sangat puas. Dan hasil yang didapat seperti yang digambarkan melalui grafik Gambar 7. dimana berdasarkan gambar tersebut, akurasi terkait kepuasan pengguna terhadap alternatif rekomendasi ialah 74%. Dan untuk total akurasi pada penelitian kali ini, dalam membangun sistem rekomendasi dengan pendekatan hybrid recommendation berdasarkan 3 poin evaluasi utama adalah 72% akurasi akhir keseluruhan.



3. Kesimpulan Berdasarkan hasil anaisis pengujian, dapat disimpulkan bahwa pendekatan Hybrid Recommendation dengan metode K-Nearest Neighbor dan Simple Additive Weighting mampu diterapkan dalam membangun sistem rekomendasi pemiihan program studi untuk siswa/i sederajat. Dimana akurasi sistem yang dihasilkan memperoleh nilai 72% dari total 38 korseponden, dengan 74% kepuasan pengguna terhadap alternative yang ditawarkan. Maka dapat disimpulkan bahwa sistem ini cukup mampu memenuhi kepuasan pengguna karena memberikan rekomendasi berdasarkan pertimbangan preferensi pilihan mereka, tanpa mengesampingkan nilai akademis yang dimiliki dengan tingkat kepuasan 74%. Untuk penelitian kedepannya dalam sistem rekomendasi ini, diharapkan untuk melakukan analisis sistem yang telah dibangun, dengan pengunaan K-Fold Cross Validation untuk mengembangkan akurasi KNN yang dimiliki melalui evaluasi tersebut, uji coba nilai K selain K=7, dan pengukuran jarak menggunakan Manhattan Distance. Sedangkan untuk SAW, penambahan bobot kriteria patut dipertimbangkan, terutama dengan kriteria alasan pilih jurusan guna memperluas kriteria yang diperhitungkan



Daftar Pustaka [1] [Online]. Available: https://kemenag.go.id/file/dokumen/UU2003.pdf.. [2] [Online]. Available: https://www.kemenkeu.go.id/publikasi/berita/pentingnya-pendidikan-tinggi-bagiindonesia/.



[3] "PANGKALAN DATA PENDIDIKAN TINGGI KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI," KEMENRISETDIKTI, [Online]. Available: https://forlap.ristekdikti.go.id/perguruantinggi/homegraphprodi. [4] E. Risnawati and S. A. Irwandi, "ANALISIS FAKTOR ATAS PENGAMBILAN KEPUTUSAN MAHASISWA UNTUK MEMILIH JURUSAN AKUNTANSI DI STIE PERBANAS SURABAYA". [5] E. E. Hapsari, "UPAYA MENINGKATKAN KEMAMPUAN PENGAMBILAN KEPUTUSAN STUDI LANJUT MELALUI ANALISIS SWOT PADA SISWA KELAS XI IPA 4 DI SMA NEGERI 1 SLEMAN," 2016. [6] Alfikalia, "KETERLIBATAN ORANGTUA DALAM PENDIDIKAN MAHASISWA DI PERGURUAN TINGGI," 2017. [7] [Online]. Available: http://www.beritasatu.com/nasional/448668-87-mahasiswa-indonesia-salahjurusan.html.. [8] Buku-Statistik-Pendidikan-Tinggi-2017, Kemenrisetdikti, 2017. [9] R. E. Rahendi, Y. T. M and A. Rachmadi, "SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIDANG STUDI DI PERGURUAN TINGGI MENGGUNAKAN METODE ANALYTIC NETWORK PROCESS (ANP)". [10] T.-H. Chiang, H.-Y. Lo and S.-D. Lin, "A Ranking-based KNN Approach for Multi-Label Classification," JMLR: Workshop and Conference Proceedings, pp. 25:81-96, 2013. [11] H. Rosyid, E. Prasetyo and S. Agustin, "PERBAIKAN AKURASI FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS MENGGUNAKAN FUNGSI KERNEL," 2013. [12] D. Yanosma, A. J. T and K. Anggriani, "IMPLEMENTASI METODE K-NEAREST NEIGHBOR (KNN) DAN SIMPLE ADDITTIVE WEIGHTING (SAW) DALAM PENGAMBILAN KEPUTUSAN SELEKSI PENERIMAAN ANGGOTA PASKIBRAKA (STUDI KASUS: DINAS PEMUDA DAN OLAHRAGA PROVINSI BENGKULU)," 2016. [13] D. Pratiwi, J. P. Lestari and D. A. R., "Decision Support System to Majoring High School Student Using Simple Additive Weighting Method," 2014. [14] D. JANNACH, M. ZANKER, A. FELFERNIG and G. FRIEDRICH, Recommender Systems An Introduction, Cambridge University Press. [15] E. A. PERMADI, "SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SEPEDA MENGGUNAKAN METODE SAW (Simple Additive Weighting) dan K - K-NN (Nearest Neighbor)," 2018. [16] S. A. NISA, "REKOMENDASI PEMILIHAN TIPE MOBIL MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN)," 2017. [17] C. C. Aggarwal, Recommender System, Springer, 2016. [18] S. Choi and H. Ahn, "A Recommender System Fusing Collaborative Filtering and Users Review Mining," 2016. [19] A. Y. LEONARDO, "SISTEM REKOMENDASI PEMILIHAN KERJA UNTUK MAHASISWA UNIVERSITAS ATMAJAYA YOGYAKARTA MENGGUNAKAN METODE CONTENT-BASED FILTERING," 2015. [20] D. S. Jain, A. Grover, P. S. Thakur and S. K. Choudhary, "Trends, Problems And Solutions of Recommender System," nternational Conference on Computing, Communication and Automation (ICCCA2015),, 2015. [21] M. Madhukar, "Challenges & Limitation in Recommender". [22] S. H. Choi, "A Hybrid Recommendation Method with Reduced Data for Large-Scale Application". [23] R. K. Niswatin1), "SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR," 2015. [24] M. Iyengar, A. Sarkar and S. Singh, "A Collaborative Filtering based Model for Recommending Graduate Schools," 2017. [25] B. Wang, Q. Liao and C. Zhang, "Weight Based KNN Recommender System," 2013. [26] F. N. Khasanah, A. E. Permanasari and S. S. Kusumawardani, "Fuzzy Multi Attribute Decision Making for Major Selection at Senior High School," 2015. [27] F. H. d. Olmo and E. Gaudioso, "Evaluation of recommender systems: A new approach," 2007. [28] Z. A. Baizal, Y. R. Murti and Adiwijaya, "Evaluating Functional Requirements-Based Compound Critiquing on Conversational Recommender System," Fifth International Conference on Information and Communication Technology (ICoICT), 2017.



[29] "Aturan Akademik Universitas Telkom," Telkom University. [30] f. anggraeni, "FAKTOR-FAKTOR YANG MEMPENGARUHI MINAT MAHASISWA MEMILIH JURUSAN PENDIDIKAN SENI MUSIK UNIVERSITAS NEGERI YOGYAKARTA," 2016.



Lampiran Lampiran 1: Table 17. Daftar koresponden USER 1 Nama



Email



Chando Natanael



[email protected]



Bodhi Ahmad Trisnadin



[email protected] [email protected]



Valen gusti arson Fikri atamami Laguliga Herica Bunga



[email protected] [email protected]



Rifky Putra Ananda



[email protected]



Elvaretta



[email protected]



Khanza Rahmasilla



[email protected]



Naufal Ammar



[email protected]



Citra Ashilla Zahrantaira



[email protected]



M.Salahuddin Al Ayyubi



[email protected]



Bagas Priowibowo



[email protected]



Alvurqon



[email protected] [email protected]



Rizky Wahyu Pambudi Kyla Aprilia Mutiara Agnes



[email protected] [email protected]



Valentine Sinaga



[email protected]



Rafaelda



[email protected]



Astri Lestari Agustin Ayudia Amanda



[email protected] [email protected]



Elbasyari



[email protected]



Tiara Giwangkara



[email protected]



Marcha Afiani



[email protected]



Saskia Aprilliana Hermawan



[email protected]



Dinda Putri Zuniar



[email protected]



Alodia Lastri dwi putri



[email protected]



Aretha Syivia Qinthara adni



[email protected]



Aqil RH



[email protected]



viera andini



[email protected]



Malika rasyid



[email protected]



Vega Putra



[email protected]



Ihsan Izzul



[email protected]



Trezya toondu



[email protected]



Agung Sulistianto



[email protected]



Mira Chairunnisa



[email protected]



Anitta S.



[email protected]



M.Choir Al-fatih



[email protected]



Yusuf Yunadian



[email protected]