Klasifikasi Nilai Ujian Siswa Berdasarkan Kebiasaan Belajar Menggunakan K-Nearest Neighbor dan Support Vector Machine
Article Sidebar
Main Article Content
Abstract
Kinerja akademik siswa merupakan indikator penting keberhasilan belajar, namun penilaian konvensional sering kali belum optimal dalam memanfaatkan data kebiasaan dan gaya hidup siswa. Penelitian ini bertujuan untuk mengklasifikasikan
nilai ujian siswa (Rendah, Sedang, Tinggi) berdasarkan kebiasaan belajar menggunakan algoritma K-Nearest Neighbor (kNN) dan Support Vector Machine (SVM), serta membandingkan performa keduanya. Data sebanyak 1000 entri siswa dari Kaggle.com diolah melalui tahap pra-pemrosesan yang meliputi diskritisasi nilai ujian menjadi kategori dan pemilihan fitur yang relevan, seperti jam belajar, persentase kehadiran, waktu tidur, dan peringkat kesehatan mental. Pembagian data dilakukan dengan random sampling (90% training dan 10% testing) yang diulang 10 kali. Hasil evaluasi menunjukkan kNN dengan N=10 mencapai akurasi tertinggi 0.982. Sementara itu, SVM dengan kernel Linear memperoleh akurasi 0.974 , diikuti RBF dengan 0.939 , dan Polynomial dengan 0.946 , sedangkan kernel Sigmoid hanya 0.712. Performa terbaik kNN (N=10) lebih lanjut dikonfirmasi melalui confusion matrix, menunjukkan tingkat kesalahan klasifikasi yang sangat rendah dan prediksi yang konsisten. Penelitian ini menyimpulkan bahwa algoritma k-NN, khususnya dengan N=10, adalah pendekatan yang paling akurat dan efektif untuk klasifikasi nilai ujian berdasarkan kebiasaan siswa, mendukung pihak sekolah dalam prediksi dan perencanaan pendidikan yang lebih baik.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
F. W. Prima and Z. Fikry, “Pengaruh Keterlibatan Orang Tua terhadap Performa Akademik Siswa Kelas 2 Jurusan IPS di SMAN 4 Kota Sungai Penuh,” Jurnal Pendidikan Tambusai, vol. 5, no. 2, pp. 3998–4006, 2021.
A. Muhaimin, M. Amin Hariyadi, and M. I. Imamudin, “Klasifikasi Prestasi Akademik Siswa Berdasarkan Nilai Rapor dan Kedisiplinan dengan Metode K-Nearest Neighbor,” Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), vol. 7, no. 1, pp. 193–202, 2024, doi: 10.55338/jikomsi.v7i1.2865.
T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
J. Hutahaean and S. Amelia, “Teknologi Pendidikan Penggunaan Teknologi Big Data Untuk Menganalisis Perilaku Teknologi Pendidikan,” Teknologi Pendidikan, vol. 3, no. 1, pp. 152–160, 2024, doi: 10.56854/tp.v3i1.232.
R. E. Pambudi, H. Purnomo, and R. Irawan, “Pemanfaatan Data Mining Untuk Prediksi Prestasi Akademik Siswa Berdasarkan Pola Kehadiran, Aktivitas Belajar Mengguakan Naive Bayes Logistic Regression,” Jurnal Teknologi Informasi Mura, vol. 16, no. 2, pp. 132–141, 2024.
C. Wulandari, T. Hasanah Bimastari Aviani, and R. Saputra, “Penerapan Algortima Support Vector Machine (SVM) Untuk Prediksi Tingkat Kelulusan Siswa SMA,” RESOLUSI : Rekayasa Teknik Informatika dan Informasi, vol. 4, no. 4, pp. 397–407, 2024, [Online]. Available: https://djournals.com/resolusi/article/view/1753
R. Winurputra and D. E. Ratnawati, “PERAMALAN PENJUALAN PRODUK MENGGUNAKAN EXTREME GRADIENT BOOSTING ( XGBOOST ) DAN KERANGKA KERJA CRISP-DM UNTUK PENGOPTIMALAN MANAJEMEN PERSEDIAAN ( STUDI KASUS : UB MART ) PRODUCT SALES FORECASTING USING EXTREME GRADIENT BOOSTING ( XGBOOST ) AND CRISP-DM ,” vol. 12, no. 2, pp. 417–428, 2025, doi: 10.25126/jtiik.2025129451.
F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, and M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” Jurnal Teknologi dan Informasi, vol. 12, no. 1, pp. 64–77, 2022, doi: 10.34010/jati.v12i1.6674.
H. Tantyoko, D. K. Sari, and A. R. Wijaya, “Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection,” IDEALIS : InDonEsiA journaL Information System, vol. 6, no. 2, pp. 83–89, 2023, doi: 10.36080/idealis.v6i2.3036.
F. Rahmadayanti, I. Anggraini, and T. Susanti, “Pengklasterisasian Data Penyakit Hipertensi dengan Menggunakan Metode K-Means,” Journal of Information System Research (JOSH), vol. 4, no. 2, pp. 737–741, 2023, doi: 10.47065/josh.v4i2.2905.
D. Wintana, Gunawan, H. Sulaeman, and S. Bahri, “Penerapan Multi Layer Perceptron dan Diskrit pada Prediksi Cacat Software,” J-INTECH (Journal of Information and Technology), vol. 12, no. 2, pp. 321–329, 2022, [Online]. Available: https://snatika.stiki.ac.id/J-INTECH/article/view/1422/847
F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 273–281, 2024, doi: 10.57152/malcom.v4i1.1085.
Devi. Putri, “KLASIFIKASI PENYAKIT GAGAL GINJAL KRONIS DENGAN METODE KNN (STUDI KASUS RS DI KAB GRESIK),” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 3, pp. 1739–1748, 2024.
H. Harnelia, “Analisis Sentimen Review Skincare Skintific Dengan Algoritma Support Vector Machine (Svm),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, 2024, doi: 10.23960/jitet.v12i2.4095.
A. Rama, A. Ambiyar, F. Rizal, N. Jalinus, W. Waskito, and R. E. Wulansari, “Konsep model evaluasi context, input, process dan product (CIPP) di sekolah menengah kejuruan,” JRTI (Jurnal Riset Tindakan Indonesia), vol. 8, no. 1, p. 82, 2023, doi: 10.29210/30032976000.