Pendekatan pengelasan bergabung untuk menentukan keputusan biasiswa

Wirawati Dewi Ahmad (P86693)

Please use this identifier to cite or link to this item: https://ptsldigital.ukm.my/jspui/handle/123456789/476585

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Azuraliza Abu Bakar, Prof. Dr.	-
dc.contributor.author	Wirawati Dewi Ahmad (P86693)	-
dc.date.accessioned	2023-10-06T09:21:39Z	-
dc.date.available	2023-10-06T09:21:39Z	-
dc.date.issued	2019-01-19	-
dc.identifier.other	ukmvital:121674	-
dc.identifier.uri	https://ptsldigital.ukm.my/jspui/handle/123456789/476585	-
dc.description	Biasiswa pendidikan tinggi merupakan kemudahan kewangan yang diberi kepada pelajar-pelajar yang layak bagi melanjutkan pendidikan ke peringkat pengajian di Universiti. Sumber dana yang terhad dengan bilangan pemohon yang semakin bertambah memaksa pihak Kerajaan mencari solusi bagi membantu mempercepat dan memudahkan proses pemilihan pemohon yang layak. Pada masa kini, kajian pengelasan keputusan biasiswa menggunakan pendekatan data analitik terhad kepada kaedah pengelasan tunggal. Kaedah ini mempunyai kelemahan-kelemahan tertentu dalam menghasilkan model pengelasan terbaik. Melalui kajian kesusasteraan, kelemahan-kelemahan kaedah ini boleh diatasi dengan pelaksanaan teknik pengelasan bergabung. Dalam kajian ini, data penawaran biasiswa sedia ada digunakan sebagai data latihan dan ujian dalam semua uji kaji dengan tiga objektif utama iaitu: merekabentuk satu rangka kerja pengelasan bergabung penentuan keputusan biasiswa pendidikan tinggi, membangunkan model pengelasan tunggal dan bergabung bagi menentukan keputusan biasiswa; dan membangunkan model pengelasan petua bergabung untuk meningkatkan keupayaan mengelas keputusan permohonan biasiswa. Lima algoritma pengelasan tunggal digunakan iaitu J48, SVM, NB, ANN dan RT manakala tiga teknik pengelasan bergabung digunakan iaitu peningkatan, pembungkusan, dan undian. Teknik pengelasan petua bergabung juga digunakan dengan menggabungkan petua model peraturan sekutuan algoritma Apriori dan petua model J48 bagi melihat perbandingan prestasi antara model. Hasil keputusan mendapati model pengelasan tunggal terbaik adalah dari algoritma SVM dengan ketepatan tertinggi 86.45%. Bagi pengelasan bergabung pula, model J48(pembungkusan) dan model undian mencapai ketepatan yang sama tertinggi iaitu 86.90% manakala bagi teknik pengelasan petua bergabung menghasilkan ketepatan 85.9%. Ini membuktikan bahawa teknik pengelasan bergabung berupaya meningkatkan ketepatan model pengelasan tunggal yang lemah manakala teknik pengelasan petua bergabung mempunyai keupayaan yang boleh dikategorikan baik dengan perbezaan kurang 0.5% berbanding model pengelasan tunggal terbaik.,Tesis ini tidak ada Perakuan Tesis Sarjana / Doktor Falsafah ,Sarjana Teknologi Maklumat	-
dc.language.iso	may	-
dc.publisher	UKM, Bangi	-
dc.relation	Faculty of Information Science and Technology / Fakulti Teknologi dan Sains Maklumat	-
dc.rights	UKM	-
dc.subject	Data mining	-
dc.subject	Algorithms	-
dc.subject	Education	-
dc.subject	Higher -- Knowledge and learning	-
dc.subject	Universiti Kebangsaan Malaysia -- Dissertations	-
dc.subject	Dissertations, Academic -- Malaysia	-
dc.title	Pendekatan pengelasan bergabung untuk menentukan keputusan biasiswa	-
dc.type	theses	-
dc.format.pages	136	-
dc.identifier.callno	QA76.9.D343W548 2019 3 tesis	-
dc.identifier.barcode	005472(2021)(PL2)	-
Appears in Collections:	Faculty of Information Science and Technology / Fakulti Teknologi dan Sains Maklumat

Files in This Item:

File	Description	Size	Format
ukmvital_121674+SOURCE1+SOURCE1.0.PDF Restricted Access		21 MB	Adobe PDF	View/Open

Show simple item record Recommend this item