<![CDATA[Penelitian ini bertujuan untuk menganalisis permasalahan yang dihadapi oleh Administrator Universitas dalam pengambilan keputusan penerima beasiswa. Metode yang digunakan melibatkan pemrograman dinamis untuk menggantikan pendekatan tradisional yang masih sering digunakan. Penelitian ini berfokus pada perbandingan performa antara algoritma Decision Tree (C4.5) dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan data penerima beasiswa. Data yang diperoleh adalah sekunder, yaitu data historis penerima beasiswa yang telah dikumpulkan oleh pihak universitas. Tahapan penelitian dimulai dari pengumpulan dan pra-pemrosesan data, diikuti dengan penerapan algoritma C4.5 dan K-NN, serta evaluasi performa algoritma menggunakan metrik seperti akurasi, presisi, recall, dan AUC. Berdasarkan hasil pengujian, algoritma Decision Tree (C4.5) menunjukkan akurasi sebesar 74,95%, presisi 20,9%, recall 77,1%, dan AUC sebesar 0,752. Sementara itu, algoritma K-Nearest Neighbor hanya mencapai akurasi 71,79%, presisi 39,0%, recall 45,3%, dan AUC sebesar 0,734. Dengan demikian, algoritma Decision Tree (C4.5) memiliki performa yang lebih baik dalam menyelesaikan permasalahan klasifikasi ini dibandingkan algoritma K-Nearest Neighbor. This research aims to analyze the problems faced by University Administrators in making decisions about scholarship recipients. The method used involves dynamic programming to replace the traditional approach which is still often used. This research focuses on the performance comparison between the Decision Tree (C4.5) and K-Nearest Neighbor (K-NN) algorithms in classifying scholarship recipient data. Data was obtained from secondary sources, specifically historical records of scholarship recipients. Based on test results, the Decision Tree algorithm (C4.5) shows an accuracy of 74.95%, precision of 20.9%, recall of 77.1%, and AUC of 0.752. Meanwhile, the K-Nearest Neighbor algorithm only achieved 71.79% accuracy, 39.0% precision, 45.3% recall, and an AUC of 0.734. Thus, the Decision Tree algorithm (C4.5) performs better in solving this classification problem than the K-Nearest Neighbor algorithm.]]>
