Klasifikasi Kelayakan Siswa dalam Menentukan Kelas Unggulan Menggunakan Algoritma K-Nearest Neighbor

Diah Chasanah; Amril Siregar; Rahmat Rahmat

Diah Nurul Chasanah Universitas Buana Perjuangan Karawang
Amril Mutoi Siregar Universitas Buana Perjuangan Karawang
Rahmat Rahmat Universitas Buana Perjuangan Karawang

Keywords: Data Mining, Kelas Unggulan, Klasifikasi, K-Nearest Neighbor

Abstract

Kegiatan belajar mengajar menjadi sebuah upaya timbal balik yang dilakukan antara tenaga pendidik dengan peserta didik. Dinamika kelas menjadi salah satu yang mempengaruhi kegiatan belajar mengajar. Banyak peserta yang memiliki kecerdasan rendah mendapat kelas unggulan, hal ini menyebabkan kesulitan dalam mengikuti proses pembelajaran dikarenakan pembentukan kelas yang dilakukan pihak sekolah belum objektif. Data yang digunakan dalam penelitian ini sebanyak 505 data nilai siswa. Penelitian ini bertujuan untuk mengklasifikasi kelayakan siswa dalam menentukan kelas unggulan, menggunakan metode algoritma K-Nearest Neighbor. Pembagian data yang digunakan sebesar 80% data training dan 20% data testing. Hasil penelitian dilakukan dengan beberapa cara perhitungan, pada perhitungan manual dengan tools Microsoft excel untuk nilai K=25 hasilnya yaitu “Layak”. Sedangkan pada perhitungan RapidMiner dan bahasa python digunakan untuk menghitung nilai akurasi dengan confusion matrix. Hasil akurasi yang diperoleh dengan perhitungan RapidMiner pada K=25 nilai akurasi sebesar 95,05%, dan hasil perhitungan bahasa python dengan tools google colaboratory pada K=25 nilai akurasi yang diperoleh sebesar 97,00%.

References

[1] N. Sari and S. A. Mulasari, “Pengetahuan, Sikap Dan Pendidikan Dengan Perilaku Pengelolaan Sampah Di Kelurahan Bener Kecamatan Tegalrejo Yogyakarta,” J. Med. Respati, vol. 12, no. 2, pp. 74–84, 2017.
[2] A. R. Z. Wati and S. Trihanto, “Strategi Pengelolaan Kelas Unggulan dalam Meningkatkan Prestasi Belajar Siswa,” J. Din. Manaj. Pendidik., vol. 5, no. 1, pp. 46–57, 2020.
[3] J. I. Kartika, E. Santoso, and Sutrisno, “Penentuan Siswa Berprestasi Menggunakan Metode K-Nearest Neighbor dan Weighted Product (Studi Kasus: SMP Negeri 3 Mejayan),” J. Pengemb. Teknol. Inf. dan Ilmu Komputer., vol. 1, no. 5, pp. 352–360, 2017.
[4] B. Satrian, “Penerapan Algoritma K-Nn untuk Klasifikasi Gamers Usia Sekolah,” J. Mhs. Apl. Teknol. Komput. dan Inf., vol. 2, no. 1, pp. 19–23, 2020
[5] B. G. Sudarsono and S. P. Lestari, “Diagnosa Tingkat Depresi Mahasiswa Akhir Terhadap Penelitian Ilmiah Menggunakan Algoritma K-Nearest Neighbor,” J. Media Inform. Budidarma, vol. 4, no. 4, pp. 1094–1099, 2020, doi: 10.30865/mib.v4i4.2448.
[6] I. A. Nikmatun and I. Waspada, “Implementasi Data Mining untuk Klasifikasi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor,” J. SIMETRIS, vol. 10, no. 2, pp. 421–432, 2019.
[7] Y. Umaidah and Purwantaro, “Penerapan Algoritma K-Nearest Neighbor (KNN) dengan Pencarian Optimal untuk Prediksi Siswa Berprestasi, JISICOM (Journal Inf. Syst. Informatics Comput. ), vol. 3, no. 2, pp. 1–8, 2019.
[8] G. Harsemadi, M. Sudarma, and N. Pramaita, “Implementasi Algoritma K-Nearest Neighbor pada Perangkat Lunak Pengelompokan Musik untuk Menentukan Suasana Hati,” Maj. Ilm. Teknol. Elektro, vol. 16, no. 1, pp. 14–20, 2017, doi: 10.24843/mite.1601.03.
[9] A. S. Kusuma and K. S. Aryati, “Sistem Informasi Akademik Serta Penentuan Kelas Unggulan Dengan Metode Clusttering Dengan Algoritama K-Means Di Smp Negeri 3 Ubud,” J. Sist. Inf. dan Komput. Terap. Indones., vol. 1, no. 3, pp. 143–152, 2019, doi: 10.33173/jsikti.29.
[10] V. S. Ginting, K. Kusrini, and E. Taufiq, “Implementasi Algoritma C4.5 untuk Memprediksi Keterlambatan Pembayaran Sumbangan Pembangunan Pendidikan Sekolah Menggunakan Python,” Jurnal Teknol. Inf. dan Komun., vol. 10, no. 1, pp. 36–44, 2020, doi: 10.35585/inspir.v10i1.2535.
[11] M. F. Fibrianda and A. Bhawiyuga, “Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine (SVM),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 3112–3123, 2018.