ANALISIS KELULUSAN SISWA MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR) PADA DATASET "STUDENTS PERFORMANCE"
DOI:
https://doi.org/10.23960/jitet.v14i1.8384Abstract Views: 65 File Views: 22
Keywords:
K-Nerst Neighbor, Data Mining, Analisis KelulusanAbstract
Tingkat kelulusan siswa menjadi salah satu indikator penting dalam menilai mutu pendidikan. Prediksi yang berkaitan dengan kelulusan dapat mendukung lembaga pendidikan dalam melakukan tindakan pencegahan serta perbaikan dalam proses pengajaran. Penelitian ini memiliki tujuan untuk mengevaluasi efektivitas metode K-Nearest Neighbor (KNN) dalam meramalkan kelulusan siswa dengan menggunakan dataset Kinerja Siswa.. Dataset ini berisi informasi mengenai karakteristik demografis dan akademik, termasuk jenis kelamin, ras, latar belakang pendidikan orang tua, status keikutsertaan dalam program makan siang, program persiapan ujian, dan hasil ujian dalam bidang matematika, membaca, dan menulis.Status kelulusan ditentukan berdasarkan rata-rata nilai ketiga mata pelajaran tersebut. Hasil penelitian menunjukkan bahwa metode KNN mampu memberikan tingkat akurasi yang cukup baik dalam klasifikasi kelulusan siswa. Hasil ini diharapkan bisa menjadi acuan dalam merancang sistem yang membantu pengambilan keputusan dengan memanfaatkan data untuk meningkatkan efisiensi pendidikan.
Downloads
References
P. Berkualitas, “Mengoptimalkan potensi sumber daya manusia untuk mewujudkan pendidikan berkualitas,” vol. 6, no. 2, pp. 641–650, 2025.
F. Kobandaha and A. N. Annas, “Pembelajaran Inovatif : Studi Literatur Tentang Faktor yang Mempengaruhi Keberhasilan Peserta Didik,” pp. 137–145.
J. Lemantara and T. Lusiani, “Analisis Prediksi Penyakit Diabetes Pada Wanita Menggunakan Metode Naïve Bayes Dan K-Nearest Neighbor,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4911.
F. Syariah and D. I. Iain, “HUKUM KELUARGA ISLAM PROGRAM STUDI HUKUM KELUARGA ISLAM ( AL- FAKULTAS SYARIAH UNIVERSITAS NEGERI ( UIN ) PALOPO PROGRAM STUDI HUKUM KELUARGA ISLAM ( AL- FAKULTAS SYARIAH UNVERSITAS ISLAM NEGERI ( UIN ) PALOPO,” 2025.
M. M. Baharuddin, H. Azis, and T. Hasanuddin, “Analisis Performa Metode K-Nearest Neighbor Untuk Identifikasi Jenis Kaca,” Ilk. J. Ilm., vol. 11, no. 3, pp. 269–274, 2019, doi: 10.33096/ilkom.v11i3.489.269-274.
Z. Amri, K. Kusrini, and K. Kusnawi, “Prediksi Tingkat Kelulusan Mahasiswa menggunakan Algoritma Naïve Bayes, Decision Tree, ANN, KNN, dan SVM,” Edumatic J. Pendidik. Inform., vol. 7, no. 2, pp. 187–196, 2023, doi: 10.29408/edumatic.v7i2.18620.
D. D. Putri, G. F. Nama, and W. E. Sulistiono, “ANALISIS SENTIMEN KINERJA DEWAN PERWAKILAN RAKYAT ( DPR ) PADA TWITTER MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER,” vol. 10, no. 1, pp. 34–40, 2022.
H. M. Nur, V. Maarif, F. Fandi, and D. Imaniawan, “Algoritma K-Nearest Neighbor ( K-NN ) Untuk Prediksi Ketidaklulusan Mahasiswa Berdasar Presensi dan IPK,” vol. 4, no. 1, pp. 1–6, 2025.
D. Pendidikan, “Rahady Puji Alfiansyah Fakultas Teknik Industri dan Informatika, Universitas Muhammadiyah Prof.Dr.Hamka, Indonesia,” vol. 3, no. 6, pp. 469–473, 2023.
X. Shu and Y. Ye, “Knowledge Discovery : Methods from data mining and machine learning ☆,” Soc. Sci. Res., vol. 110, no. October 2022, p. 102817, 2023, doi: 10.1016/j.ssresearch.2022.102817.
S. Widaningsih, A. Suheri, and T. T. Fauziyana, “Penerapan Data Mining Menggunakan Algoritma K- Nearest Neighbor untuk Penentuan Penerimaan Proposal Hibah Application of Data Mining Using The K-Nearest Neighbor Algorithm for Determining Acceptence of Grand Proposals,” vol. 8, no. 1, pp. 9–18, 2024, doi: 10.35194/jmtsi.v8i1.2696.
M. A. Aprihartha et al., “Perbandingan Metrik Euclidean dan Metrik Manhattan untuk K-Nearest Neighbors dalam Klasifikasi Kismis pengolahannya seperti pengeringan , grading , dll . Pada beberapa tempat , penyortiran kismis masih alternatif dalam mengidentifikasi kualitas kismis . Beberapa penelitian terdahulu telah melakukan studi fleksibel . Metode ini bekerja dengan memperhatikan kesamaan karakteristik pada data terdekatnya . pada metrik Manhattan , yaitu 84 %. Penelitian oleh Salsabila , et . al [ 9 ] yang membandingkan metrik diperoleh akurasi metrik Manhattan lebih tinggi daripada metrik Euclidean . Meskipun dari dua sampel cukup bukti bahwa hasil serupa dapat terjadi pada studi kasus yang berbeda . Dalam literatur yang ada , dan adanya pustaka ( library ) pada software R . metode memiliki perbedaan dalam mengukur jarak antar dua atau lebih objek . Setelah dilakukan analisis penilaian akurasi , sensitivitas , spesifisitas , dan presisi . Hasil penelitian ini diharapakan dapat menjadi Dataset terdiri dari 8 variabel dengan jumlah sampel sebanyak 900 amatan .,” vol. 4, no. 1, pp. 21–30, 2024.
S. Kasus and S. Karawang, “Penerapan Data Mining Metode K-Nearest Neighbor Untuk Memprediksi Kelulusan Siswa Sekolah Menengah Pertama,” vol. 9, no. 1, pp. 14–19, 2023.
J. Penerapan, T. Informasi, N. T. Ujianto, H. Fadilah, A. P. Fanti, and A. D. Saputra, “IT-EXPLORE Penerapan algoritma K-Nearest Neighbors ( KNN ) untuk klasifikasi citra medis,” vol. 02, pp. 33–43, 2025.
“No Title,” Aswir, E. S., Wasilah, W. (2024). Implementasi YOLOv3 Menggunakan Fitur Ekstraktor ResNeXt Untuk Deteksi Filariasis. J. Pepadun, 5(2), 131-140..
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Informatika dan Teknik Elektro Terapan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
