Algoritma K-Nearest Neighbour Dalam Mengklasifikasi Penilaian Peserta Didik
DOI:
https://doi.org/10.36085/jsai.v3i3.1163Abstract
PAUD IT Al Hasanah merupakan pendidikan anak usia dini yang terletak di Jalan Pagar Dewa Kota Bengkulu. Selama ini proses pengklasifikasian peserta didik dilakukan dengan cara mendata semua peserta didik yang mengikuti setiap pelajaran, kemudian guru memberikan nilai pada masing-masing peserta didik. Nilai tersebut akan diklasifikasikan dengan Belum Berkembang (BB), Mulai Berkembang (MB), Berkembang Sesuai Harapan (BSH), dan Berkembang Sangat Baik (BSB). Setelah diklasifikasikan, guru akan mengetahui kompetensi dari masing-masing peserta didik. Permasalahan yang terjadi di PAUD IT Al Hasanah adalah semua proses pengklasifikasian peserta didik tersebut masih dilakukan secara manual dengan menggunakan lembaran penilaian, sehingga membutuhkan waktu yang lama dalam mengetahui kompetensi dari masing-masing peserta didik.
Aplikasi pengklasifikasian data peserta didik di PAUD IT Al Hasanah merupakan suatu aplikasi yang dapat membantu dalam mengklasifikasi peserta didik berdasarkan penilaian peserta didik yang telah dilakukan, dengan 4 jenis kategori BB (Belum Berkembang), MB (Mulai Berkembang), BSH (Berkembang Sesuai Harapan), BSB (Berkembang Sangat Baik). Aplikasi ini telah diterapkan Algoritma KNN, sehingga hasil akhir yang didapatkan berdasarkan tahapan dari algoritma tersebut dengan merujuk kepada jumlah K tetangga yang ditentukan. Berdasarkan pengujian yang telah dilakukan, aplikasi dapat memberikan informasi hasil klasifikasi peserta didik secara otomatis melalui tahapan algoritma KNN
References
Zul, M. I., Muslim, I., & Hakim, L. (September 2017). Human Activity Recognition by Using Nearest Neighbor Algorithm from Digital Image. International Conference on Soft Computing, Intelligent System and Information Technology (ICSIIT) (pp. 58-61). Denpasar, Bali: IEEE Computer Society.
Anshori, L., Putri, R. R., & Tibyani. (2018). Implementasi Metode K-Nearest Neighbor untuk Rekomendasi Keminatan Studi (Studi Kasus: Jurusan Teknik Informatika Universitas Brawijaya). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 7 , 2745-2753.
Hermawan, F., & Agung, H. (2017). Implementasi Metode K-Nearest Neighbor Pada Aplikasi Data Penjualan PT. Multitek Mitra Sejati. Jurnal Sains dan Teknologi (Kalbiscentia) ,Volume 4 Nomor 2 Agustus 2017 , 103-109.
Leidiyana, H. (Februari 2017). Penerapan Metode K-Nearest Neighbor Pada Penentuan Grade Dealer Sepeda Motor. Jurnal Ilmu Pengetahuan dan Teknologi Komputer Vol. 2. No. 2 , 108-112.
Vedayoko, L. G., Sugiharti, E., & Muslim, M. A. (2017). Expert System Diagnosis of Bowel Disease Using Case Based Reasoning with Nearest Neighbor Algorithm. Scientific Journal of Informatics Vol. 4, No. 2, November 2017 , 134-142.
Aamodt, A., & Plaza, E. (1994). Case-Based Reasoning: Foundational Issues Methodological Variations, and System Approaches. AI Communications Vol. 7 Nr. 1, March 1994 , 39-59.
Vercellis, C. (2009). Business Intelligence: Data Mining and Optimization for Decision Making. West Sussex: John Wiley & Sons Ltd.
Gorunescu, F. (2011). Data Mining Concepts,Models and Techniques ISBN 978-3-642-19720-8. Verlag Berlin Heidelberg: Springer.
Ohsaki, M., Wang, P., Matsuda, K., Katagiri, S., Watanabe, H., & Ralescu, A. (September 2017). Confusion-Matrix-Based Kernel Logistic Regression for Imbalanced Data Classification. IEEE Transactions on Knowledge and Data Engineering, VOL. 29, NO. 9 (pp. 1806-1819). IEEE.
Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab ISBN 978-979-29-3282-9 . Yogyakarta: Andi.
Krisandi, N., Helmi, & Prihandono, B. (2013). Algoritma K-Nearest Neighbor Dalam Klasifikasi Data Hasil Produksi Kelapa Sawit Pada Pt. Minamas Kecamatan Parindu. Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 02, No.1 , 33-38.
Pratama, T. C. (2018). Penerapan Metode K-Nearest Neighbour Dalam Menentukan Kelayakan Calon Nasabah Yang Layak Untuk Kredit Mobil (Studi Kasus : Pt. Astra International,Tbk-Toyota). Jurnal Riset Komputer (JURIKOM), Vol. 5 No. 4, Agustus 2018 , 402-408.
Tripathya, A., Agrawal, A., & Rath, S. K. (2015). Classification of Sentimental Reviews Using Machine Learning Techniques. 3rd International Conference on Recent Trends in Computing 2015 (ICRTC-2015) (pp. 821-829). Procedia Computer Science.
Kuspa, K., & Pratkanis, T. (2013). Classification of mobile device accelerometer data for unique activity identificationunique activity identification. Semantic Scholar.
Witten, I., Frank, E., & Hall, M. (2011). Data Mining: Practical Machine Learning Tools and Techniques. San Francisco,: Morgan Kaufmann .
