Optimasi Prediksi Hasil Belajar Algoritma dengan Metode kNN

Authors

  • Syahraeni Rahmadi Universitas Sembilanbelas November Kolaka
  • Jimsan Universitas Sembilanbelas November Kolaka
  • Muh. Hajar Akbar Universitas Sembilanbelas November Kolaka

Keywords:

k-Nearest Neighbors, Klasifikasi Akademik, Evaluasi Mahasiswa, Data Mining

Abstract

Penentuan performa akademik mahasiswa merupakan aspek penting dalam evaluasi pendidikan, terutama dalam mata kuliah Algoritma yang membutuhkan pemahaman logis dan analitis yang kuat. Penelitian ini menerapkan metode k-Nearest Neighbors (kNN) untuk mengklasifikasikan hasil belajar mahasiswa berdasarkan parameter akademik, seperti nilai tugas, nilai UTS, nilai UAS, jumlah latihan koding, dan tingkat kehadiran. Dataset yang digunakan terdiri dari 53 mahasiswa, dengan proses klasifikasi dilakukan melalui perhitungan Euclidean Distance untuk menentukan jarak antara data uji dan data latih. Hasil penelitian menunjukkan bahwa metode kNN dapat mengklasifikasikan mahasiswa dengan akurasi yang baik, di mana mahasiswa dengan tingkat latihan koding yang tinggi dan kehadiran yang konsisten cenderung memiliki performa akademik lebih baik. Dengan penerapan yang tepat, metode ini dapat digunakan sebagai alat bantu dalam analisis akademik serta membantu pendidik dalam mengidentifikasi mahasiswa yang membutuhkan bimbingan lebih lanjut.

References

[1] P. Rahayu et al., Buku Ajar Data Mining. SONPEDIA Publishing Indonesia, 2024.

[2] J. Li, J. Zhang, J. Zhang, and S. Zhang, “Quantum KNN Classification With K Value Selection and Neighbor Selection,” IEEE Trans. Comput. Des. Integr. Circuits Syst., vol. 43, no. 5, pp. 1332–1345, 2024, doi: 10.1109/TCAD.2023.3345251.

[3] G. A. Pradipta, M. Liandana, P. D. W. Ayu, D. P. Hostiadi, and P. S. E. Putra, “Voting Scheme Nearest Neighbors by Difference Distance Metrics Measurement,” JUITA J. Inform., vol. 11, no. 2, p. 165, 2023, doi: 10.30595/juita.v11i2.19298.

[4] T. Mladenova and I. Valova, “Classification with K-Nearest Neighbors Algorithm: Comparative Analysis between the Manual and Automatic Methods for K-Selection,” Int. J. Adv. Comput. Sci. Appl., vol. 14, no. 4, pp. 396–404, 2023, doi: 10.14569/IJACSA.2023.0140444.

[5] A. Paliling and M. Sutoyo, “Combination of The MADM Model Yager and k-NN to Group Single Tuition Payments,” Ilk. J. Ilm., vol. 15, no. 2, pp. 326–334, 2023.

[6] A. Widodo, F. D. Prasetya, and H. Nugroho, “Implementasi Metode K-Nearest Neighbors (KNN) Guna Mengetahui Klasifikasi Kematangan Stroberi,” KERNEL J. Ris. Inov. Bid. Inform. dan Pendidik. Inform., vol. 3, no. 2, pp. 31–36, 2023, doi: 10.31284/j.kernel.2022.v3i2.4185.

[7] V. Artanti, M. Faisal, and F. Kurniawan, “Klasifikasi Cardiovascular Diseases Menggunakan Algoritma K-Nearest Neighbors (KNN),” Techno.COM, vol. 23, no. 2, pp. 467–479, 2024.

[8] M. D. Anggraeni, K. Kusrini, and M. R. Arief, “K-Nearest Neighbor Algorithm for Classification Inaccuracy in Payment of SPP Money,” JTECS J. Sist. Telekomun. Elektron. Sist. Kontrol Power Sist. dan Komput., vol. 4, no. 1, p. 67, 2024, doi: 10.32503/jtecs.v4i1.4891.

[9] B. R. Setiaji, D. Q. Utama, and A. Adiwijaya, “Smartphone Purchase Recommendation System Using the K-Nearest Neighbor (KNN) Algorithm,” J. Media Inform. Budidarma, vol. 6, no. 4, p. 2180, 2022, doi: 10.30865/mib.v6i4.4753.

[10] M. Sutoyo, “Rancang Bangun Aplikasi Untuk Memprediksi Status Gizi Balita,” Klik-Kumpul, vol. 5, no. 2, pp. 136–142, 2018.

[11] H. Gweon, M. Schonlau, and S. H. Steiner, “The k conditional nearest neighbor algorithm for classification and class probability estimation,” PeerJ Comput. Sci., vol. 2019, no. 5, pp. 1–21, 2019, doi: 10.7717/peerj-cs.194.

[12] N. K. A. Wirdiani, P. Hridayami, N. P. A. Widiari, K. D. Rismawan, P. B. Candradinata, and I. P. D. Jayantha, “Face Identification Based on K-Nearest Neighbor,” Sci. J. Informatics, vol. 6, no. 2, pp. 150–159, 2019, doi: 10.15294/sji.v6i2.19503.

[13] M. Sutoyo and A. Mangkona, “Schedule Implementing the Modified Euclidean Distance Method in the Course Planning of the USN Kolaka Information Systems Curriculum,” IT J. Res. Dev., vol. 7, no. 1, pp. 12–22, 2022, doi: 10.25299/itjrd.2022.7976.

Downloads

Published

2025-03-13

Issue

Vol. 1 No. 2 (2025): Maret 2025

Section

Articles

License

Copyright (c) 2025 Journal Research on Computing Knowledge

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.