Prediksi Kerajinan Siswa Berdasarkan GPA Menggunakan K-Nearest Neighbors (KNN)
Keywords:
Kesibukan Siswa, Indeks Prestasi Komulatif (IPK), K-Nearest Neighbors (KNN), Prediksi AkademikAbstract
Penelitian ini bertujuan untuk memprediksi kesibukan siswa berdasarkan Nilai IPK (Indeks Prestasi Kumulatif) menggunakan algoritma K-Nearest Neighbors (KNN). Prestasi akademik, yang tercermin dalam IPK, merupakan indikator penting yang mempengaruhi kesibukan siswa dalam aktivitas belajar serta keterlibatan mereka dalam kegiatan ekstrakurikuler. Penelitian ini menggunakan dataset yang mencakup 500 rekaman siswa, dengan atribut seperti jam belajar per minggu, tingkat kehadiran, partisipasi dalam kegiatan ekstrakurikuler, jenis kelamin, dan informasi demografis lainnya. Algoritma KNN diterapkan untuk menganalisis data dan membangun model prediktif yang dapat digunakan untuk mengidentifikasi tingkat kesibukan siswa. Akurasi model diuji melalui teknik validasi silang untuk memastikan keandalannya. Hasil awal menunjukkan bahwa faktor-faktor seperti jam belajar dan tingkat kehadiran memiliki hubungan signifikan dengan tingkat kesibukan siswa. Penelitian ini menyoroti potensi algoritma KNN dalam konteks pendidikan, memberikan wawasan berharga bagi pendidik untuk mendukung siswa yang mungkin memerlukan perhatian lebih. Selain itu, penelitian ini membuka peluang untuk penelitian lebih lanjut guna meningkatkan akurasi prediksi dan merancang intervensi yang lebih efektif.
References
Altman, N. S. (1992). An Introduce to Kernel and Nearest Neighbor Nonparametic Regression. The American Statistician, 175-185.
Al-Zubaidi, M., & El-Sayed, A. (2020). A novel prediction model for student performance using KNN algorithm. Journal of Educational Computing Research, 420-438.
Farokhah, L. (2020). IMPLEMENTASI K-NEAREST NEIGHBOR UNTUK KLASIFIKASI BUNGA DENGAN EKSTRASI FITUR WARNA RNB. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 1129-1136.
Gharbi, A., & Jaziri, A. (2021). Predicting student performance using data mining algorithms: A survey. International Journal of Advanced Computer Science and Applications, 99-105.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Amsterdam: Elsevier.
Krisandi, N., Helmi, & Prihandono, B. (2013). ALGORITMA K-NEAREST NEIGHBOR DALAM KLASIFIKASI DATA HASIL PRODUKSI SAWIT PADA PT.MINAMAS KECAMATAN PARINDU. Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster), 33-39.
Munandar, T. A., & Munir, A. Q. (2022). Implementasi K-Nearest Neighbor Untuk Prototype Sistem Pakar Identifikasi Penyakit Jantung. Jurnal Teknologi Informasi, 44-50.
Powers, D. M. (2011). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 37-63.
Singh, D., & Mishra, S. (2020). Predictive modeling of student performance using K-Nearest Neighbors and other machine learning algorithms. International Journal of Educational Technology in Higher Education, 22-34.
Witten, I. H., Frank, A., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan kaufman.
