Annisa, Afra (2022) KLASIFIKASI AKREDITASI SEKOLAH DASAR DI KOTA BEKASI DENGAN MACHINE LEARNING. Diploma thesis, Universitas YARSI.

	Text 1. COVER.pdf Download (13kB)
	Image 4. HALAMAN PENGESAHAN.PDF Download (1MB)
	Image 3. HALAMAN PERNYATAAN ORISINALITAS.PDF Download (1MB)
	Text 2. ABSTRAK.pdf Download (43kB)
	Text 11. BAB 1.pdf Download (200kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (163kB)
	Text 12. BAB 2.pdf Restricted to Registered users only Download (76kB)
	Text 13. BAB 3.pdf Restricted to Registered users only Download (249kB)
	Text 14. BAB 4.pdf Restricted to Registered users only Download (241kB)
	Text 15. BAB 5.pdf Restricted to Registered users only Download (227kB)
	Text 16. BAB 6.pdf Restricted to Registered users only Download (138kB)

Abstract

Pendidikan memberikan kontribusi yang sangat penting bagi kehidupan masyarakat yang maju, demokratis dan sejahtera untuk mencapai pembangunan suatu bangsa yang lebih bijaksana. Satuan pendidikan diharapkan untuk memenuhi standar nasional pendidikan dengan melakukan akreditasi sekolah. Ada delapan komponen instrumen akreditasi sekolah sebagain variabel prediktor yang meliputi pemeringkatan akreditasi sekolah dengan nilai A (Unggul), B (Baik) dan C(Cukup Baik) sebagai variabel respon. Jumlah Sekolah Dasar di Kota Bekasi baik swasta maupun negeri terdapat 852 sekolahan. Data yang dimasukkan sebagai dataset hanya 826 sekolahan, karena dari hasil yang didapat ada 26 sekolah dengan data sekolah yang tidak tersedia saat dikumpulkan. Dataset yang tidak seimbang dilakukan dengan metode sampling untuk penambahan data pada kelas minoritas maupun mayoritas. Penelitian ini menggunakan fase CRISP-DM Reference Model untuk data mining dengan gambaran umum mengenai life cycle, tetapi tidak sampai pada tahap deployment. Ada enam algoritma machine learning yang digunakan sebagai pengklasifikasian akreditasi sekolah di Kota Bekasi terdiri dari Naïve Bayes, Decision Trees, Random Forest, Support Vector Machines, Nearest Neighbors (k-NN) dan Logistic Regression. Hasil penelitian ini menunjukkan bahwa akurasi prediksi klasifikasi menggunakan model menggunakan Random Forest adalah 97%. Setiap model dapat diukur menggunakan metrik evaluasi dan parameter yang dapat dihitung dengan Accuracy, Precision, Recall dan F1-Score.

Actions (login required)

View Item