SKRIPSI FULL PAPER

• ANANDA PUTRA APRIADI
• 2024

---

Studi ini menganalisis metode machine learning untuk distribusi sekolah di
Indonesia, mengatasi kesenjangan pendidikan antara pulau, kota, dan desa. Penelitian
ini membandingkan algoritma KNN, Naive Bayes, dan Decision Tree, menggunakan
data sekolah di Indonesia padat tahun 2015 sampai 2020 dari Kaggle. Data
mencakup provinsi, tingkat sekolah, status sekolah, populasi, dan populasi terdidik.
Pengolahan data meliputi pembersihan, transformasi, pengkodean satu titik,
pemilihan fitur, dan pembagian. Hasil menunjukkan Decision Tree memiliki akurasi
terbaik (83,26% ± 0,11%), diikuti KNN (81,07% ± 0,35%) dan Naive Bayes
(77,26% ± 0,23%). Decision Tree efektif untuk N (Normal) tetapi menghadapi
kesulitan memori untuk S (Sekolah). KNN memiliki presisi kelas S lebih rendah
dibanding Decision Tree, sementara Naive Bayes, meskipun lebih sederhana dan
cepat, menunjukkan akurasi dan presisi yang lebih buruk. Penelitian
merekomendasikan penggunaan metode yang sudah dikenal untuk meningkatkan
sistem informasi berbasis pembelajaran mesin, serta eksperimen dengan berbagai
metodologi, pengaturan parameter, dan dataset tambahan untuk meningkatkan
generalisasi model di masa depan

• Distribusi Sekolah
• Komparasi Algoritma
• Machine learning

https://repository.bsi.ac.id/repo/56925/KOMPARASI-ALGORITMA-MACHINE-LEARNING-DALAM--MENGKLASIFIKASI-ANALISIS-DISTRIBUSI-SEKOLAH-DI-INDONESIA
Anda dapat membaca file tugas akhir ini di repository.