مقارنة طرق تصنيف الجيران الأقرب K وآلة المتجهات الداعمة في التنبؤ بفترة دراسة الطلاب

تنافس الجامعات الحكومية والجامعات الخاصة بشدة لإنتاج طلاب ذوي جودة عالية بما يتماشى مع تطور عالم التعليم في إندونيسيا. تسعى الجامعات إلى تحسين الجودة وتوفير أفضل تعليم للطلاب وعدد الطلاب الذين يتخرجون في الوقت المحدد أم لا. في هذا البحث تم إجراء اختبار مقارن لأداء قيم دقة خوارزمية K-Nearest Neighbor وآلة ناقل الدعم كطريقة تصنيف للتنبؤ بفترة دراسة الطلاب في برنامج دراسة بكالوريوس الحقوق، كلية الحقوق. قانون. القانون، جامعة سيبيلاس ماريت، سوراكارتا، إندونيسيا باستخدام تطبيق RapidMiner. في هذه الدراسة، تم استخدام المقارنة بين طريقتين للتصنيف، وهما K-أقرب جار وآلة ناقل الدعم مع استخدام بيانات 433 طالبًا. تنقسم البيانات إلى 70% بيانات تدريب و30% بيانات اختبار. كانت نتائج الاختبار لأعلى قيمة دقة تنبؤ K-NN عند K = 5، وهي 98.45. بينما بالنسبة لطريقة Support Vector Machine، كانت قيمة الدقة باستخدام نموذج SVM 96.90%. لذلك تم إدراج نتائج هذا البحث ضمن الفئة الجيدة في إنتاج دقة عالية، بحيث أن مساهمة نتائج بحث النمذجة K-NN باستخدام القيمة K=5 تحصل على أفضل دقة مقارنة بطريقة SVM باستخدام SVM في التنبؤ بفترات دراسة الطالب. دفعة 2021، برنامج دراسة البكالوريوس في القانون، كلية الحقوق، جامعة سيبيلاس ماريت