Klasifikasi Peminatan Peserta Didik Baru SMA menggunakan K-Nearest Neighbour (Studi Kasus : SMA Negeri 1 Tenggarang Bondowoso)
Kata Kunci:
Keminatan, Klasifikasi, K-Nearest NeighbourAbstrak
Pemilihan keminatan pada SMA merupakan bagian penting bagi peserta didik untuk memenuhi standar kurikulum yang nantinya akan mempengaruhi pilihan peserta didik saat mereka akan menentukan pilihan pada perguruan tinggi, dengan adanya kelompok keminatan ini, peserta didik diharapkan bisa memilih keminatan yang sesuai dengan kemampuan serta minat dari peserta didik. Penelitian ini menggunakan data Peminatan Peserta Didik Baru SMA Negeri 1 Tenggarang dengan jumlah data sebanyak 292 data. Penelitian ini menggunakan metode K-Nearest Neighbor dalam melakukan klasifikasi data. Nilai K dalam klasifikasi ini di tentukan dengan menggunakan method bernama GridSearch CV, method ini berasal dari library sklearn yang ada pada pyhton. Nilai K adalah sebuah variable yang sangat penting untuk menentukan hasil dari klasifikasi ini. Rata-rata akurasi dari penelitian ini bergantung kepada berapa nilai K yang di gunakan terhadap perbandingan data latih dan data uji. Hasil akurasi dari penilitian ini ada pada angka 67% untuk terendah dan 73% untuk angka tertingginya.
Referensi
Annisa, C.D., Putri, R.R & Marji., 2016. Sistem Pakar Diagnosa Awal Penyakit DBD, Malaria dan Tifoid menggunakan Metode Fuzzy K-Nearest Neighbor (FKNN). S1. Universitas Brawijaya. Tersedia di [Diakses 21 Februari 2022]
Ardiansyah Candra, 2020. Klasifikasi Emosi Pada Komentar Youtube Menggunakan Metode Modified K-Nearest Neighbor (MKNN) dengan BM25 dan Seleksi Fitur Chi-Square. Universitas Brawijaya.
Colaboratory, 2017. Welcome To Colaboratory. [online] Tersedia di : <https://colab.research.google.com/?utm_source=scs-index#scrollTo=UdRyKR44dcNI> [Diakses 25 Desember 2021]
Darmanto, E & Hartati, S., 2012. Neuro Fuzzy untuk Klasifikasi Inventori berdasarkan analisa ABC. Seminar Nasional Informatika 2012. UPN Veteran Yogyakarta. Yogyakarta.
Fakihatin Wafiyah , Nurul Hidayat , Rizal Setya Perdana, 2017. Implementasi Algoritma Modified K-Nearest Neighbor (MKNN) untuk Klasifikasi Penyakit Demam. Universitas Brawijaya.
Hasibuan Muhammad Ramanda, 2020. Pemilihan Fitur dengan Information Gain untuk Klasifikasi Penyakit Gagal Ginjal Menggunakan Metode Modified K-Nearest Neighbour(MKNN). Universitas Brawijaya.
Husni Naparin, 2016. Klasifikasi Peminatan Siswa SMA Menggunakan Metode Naïve Bayes. UPSI Malaysia.
Istiqhfarani Windy Adira, 2020. Klasifikasi Penyakit Dental Caries Menggunakan Algoritme Modified K-Nearest Neighbor (MKNN). Universitas Brawijaya.
Nikmatul Hidayah, 2013. Klasifikasi Penjurusan Program Studi Sekolah Menengah Atas dengan Algoritma Naïve Bayes Classifier pada SMAN 1 Subah. UDINUS Semarang.
Pandie, Emerensye. (2012). Implementasi Algoritma Data Mining K-Nearest Neighbor (KNN) dalam pengambilan Keputusan Pengajuan Kredit. Jurnal Ilmu Komputer Universitas Nusa Cendana.
Paparan Wakil Menteri Pendidikan dan Kebudayaan R.I Bidang Pendidikan. Konsep dan Implementasi Kurikulum 2013. 2014. Kementerian Pendidikan dan Kebudayaan.
Parvin, H., Alizadeh, H., & Minati, B. (2010). A Modification on K-Nearest Neighbor Classifier. Global Journal of Computer Science and Technology. Vol. 10. hal.37- 41.
Peraturan Pemerintah No.32 Tahun 2013 tentang Perubahan atas Peraturan Pemerintah No.19 tahun 2005. 2013. Standar Nasional Pendidikan. Jakarta: Direktorat Jenderal Pendidikan Nasional.
Prasetyo, Eko (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab Edisi.I. Yogyakarta: Penerbit Andi.
Annisa, C.D., Putri, R.R & Marji., 2016. Sistem Pakar Diagnosa Awal Penyakit DBD, Malaria dan Tifoid menggunakan Metode Fuzzy K-Nearest Neighbor (FKNN). S1. Universitas Brawijaya. Tersedia di [Diakses 21 Februari 2022]
Ardiansyah Candra, 2020. Klasifikasi Emosi Pada Komentar Youtube Menggunakan Metode Modified K-Nearest Neighbor (MKNN) dengan BM25 dan Seleksi Fitur Chi-Square. Universitas Brawijaya.
Colaboratory, 2017. Welcome To Colaboratory. [online] Tersedia di : <https://colab.research.google.com/?utm_source=scs-index#scrollTo=UdRyKR44dcNI> [Diakses 25 Desember 2021]
Darmanto, E & Hartati, S., 2012. Neuro Fuzzy untuk Klasifikasi Inventori berdasarkan analisa ABC. Seminar Nasional Informatika 2012. UPN Veteran Yogyakarta. Yogyakarta.
Fakihatin Wafiyah , Nurul Hidayat , Rizal Setya Perdana, 2017. Implementasi Algoritma Modified K-Nearest Neighbor (MKNN) untuk Klasifikasi Penyakit Demam. Universitas Brawijaya.
Hasibuan Muhammad Ramanda, 2020. Pemilihan Fitur dengan Information Gain untuk Klasifikasi Penyakit Gagal Ginjal Menggunakan Metode Modified K-Nearest Neighbour(MKNN). Universitas Brawijaya.
Husni Naparin, 2016. Klasifikasi Peminatan Siswa SMA Menggunakan Metode Naïve Bayes. UPSI Malaysia.
Istiqhfarani Windy Adira, 2020. Klasifikasi Penyakit Dental Caries Menggunakan Algoritme Modified K-Nearest Neighbor (MKNN). Universitas Brawijaya.
Nikmatul Hidayah, 2013. Klasifikasi Penjurusan Program Studi Sekolah Menengah Atas dengan Algoritma Naïve Bayes Classifier pada SMAN 1 Subah. UDINUS Semarang.
Pandie, Emerensye. (2012). Implementasi Algoritma Data Mining K-Nearest Neighbor (KNN) dalam pengambilan Keputusan Pengajuan Kredit. Jurnal Ilmu Komputer Universitas Nusa Cendana.
Paparan Wakil Menteri Pendidikan dan Kebudayaan R.I Bidang Pendidikan. Konsep dan Implementasi Kurikulum 2013. 2014. Kementerian Pendidikan dan Kebudayaan.
Parvin, H., Alizadeh, H., & Minati, B. (2010). A Modification on K-Nearest Neighbor Classifier. Global Journal of Computer Science and Technology. Vol. 10. hal.37- 41.
Peraturan Pemerintah No.32 Tahun 2013 tentang Perubahan atas Peraturan Pemerintah No.19 tahun 2005. 2013. Standar Nasional Pendidikan. Jakarta: Direktorat Jenderal Pendidikan Nasional.
Prasetyo, Eko (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab Edisi.I. Yogyakarta: Penerbit Andi.
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.