IMPLEMENTATION OF K-NEAREST NEIGHBOUR (KNN) ALGORITHM TO PREDICT STUDENT’S PERFORMANCE

Slamet Wiyono
Taufiq Abidin

Abstract


Salah satu unsur untuk menjadi penilaian akreditasi adalah ketepatan waktu lulusan siswa. Adanya siswa yang tidak aktif tentu akan mempengaruhi ketepatan waktu kelulusan. Prediksi kinerja siswa diperlukan untuk mencegah siswa yang tidak aktif. Algoritma KNN digunakan untuk memprediksi kinerja siswa dengan menggunakan metode klasifikasi. Penelitian ini untuk mengoptimalkan algoritma KNN untuk memprediksi kinerja siswa dengan metode klasifikasi. Penelitian yang telah dilakukan dengan menggunakan data Jurusan Teknik Informatika Politeknik Harapan Bersama menyimpulkan bahwa nilai K terbaik adalah 3, 6, dan 9 untuk mendapatkan prediksi terbaik. Hasil ini diperoleh dengan mencoba nilai K, 3 hingga 60. Nilai prediksi kemudian dibandingkan, hasil yang salah diprediksi dimana persentase terkecil adalah yang terbaik.


Keywords


KNN; optimasi; kinerja siswa

Teks Lengkap:

PDF

Referensi


BAN-PT, Buku I Naskah Akademik Akreditasi Institusi Perguruan Tinggi. Jakarta: BAN-PT, 2011.

M. S. Mustafa and I. W. Simpen, “Perancangan Aplikasi Prediksi Kelulusan Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data Mining (Studi Kasus: Data Akademik Mahasiswa STMIK Dipanegara Makassar),” Creat. Inf. Technol. J. (CITEC Journal), vol. 1, no. 4, 2014.

A. Rohman, “Model Algoritma K-Nearest Neighbor (K-NN) Untuk Prediksi Kelulusan Mahasiswa,” Neo Tek., vol. 1, no. 1, 2015.

A. Wanto, “Analisis Penerapan Fuzzy Inference System (FIS) Dengan Metode Mamdani Pada Sistem Prediksi Mahasiswa Non Aktif (Studi Kasus : AMIK Tunas Bangsa Pematangsiantar),” Semin. Nas. Inov. Dan Teknol. Inf. 3, vol. 3, pp. 393–400, 2016.

I. M. B. Adnyana, “Prediksi Lama Studi Mahasiswa Dengan Metode Random Forest (Studi Kasus : STIKOM Bali),” CSRID J., vol. 8, no. 3, pp. 201–208, 2015.

D. Untari, “Data Mining Untuk Menganalisa Prediksi Mahasiswa Berpotensi Non-Aktif Menggunakan,” Universitas Dian Nuswantoro, 2014.

D. A. S. Arga, U. Lestari, and E. Sutanta, “Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritme C4.5 (Studi Kasus: Jurusan Teknik Informatika, Institut Sains & Teknologi Akprind Yogyakarta),” J. Risiko, vol. 5, no. 2, pp. 1935–1943, 2017.

M. N. Quadri and N. V. Kalyankar, “Drop Out Feature of Student Data for Academic Performance Using Decision Tree Techniques,” Glob. J. Comput. Sci. Technol., vol. 10, no. 2, pp. 2–5, 2010.

A. U. Khasanah and Harwati, “A Comparative Study to Predict Student’s Performance Using Educational Data Mining Techniques,” IOP Conf. Ser. Mater. Sci. Eng., vol. 215, p. 012036, Jun. 2017.

G. S. Gowri, R. Thulasiram, and M. A. Baburao, “Educational Data Mining Application for Estimating Students Performance in Weka Environment,” IOP Conf. Ser. Mater. Sci. Eng., vol. 263, no. 3, 2017.

B. Lantz, Machine Learning with R, 2nd ed. Birmingham-Mumbai: Packt Publishing Ltd., 2015.

S. Zhang, X. Li, M. Zong, X. Zhu, and D. Cheng, “Learning k for kNN Classification,” ACM Trans. Intell. Syst. Technol., vol. 8, no. 3, pp. 1–19, 2017.

S. Mutrofin, A. Izzah, A. Kurniawardhani, and M. Masrur, “Optimasi Teknik Klasifikasi Modified K Nearest Neighbor Menggunakan Algoritma Genetika,” J. Gamma, no. September, pp. 130–134, 2014.

Indrayanti, D. Sugianti, and M. A. Al Karomi, “Optimasi Parameter K Pada Algoritma K-Nearest Neighbour Untuk Klasifikasi Penyakit Diabetes Mellitus,” in SNATIF, 2017, pp. 823–829.

N. Jagdish, D. Kumar, and A. Rajput, “An Empirical Comparison by Data Mining Classification Techniques for Diabetes Data Set,” Int. J. Comput. Appl., vol. 131, pp. 6–11, 2015.

A. H. M. Ragab, A. Y. Noaman, A. S. Al-Ghamdi, and A. I. Madbouly, “A Comparative Analysis of Classification Algorithms for Student College Enrollment Apporal Using Data Mining,” in Proceedings of the 2014 Workshop on Interaction Design in Educational Environments, 2014, p. 106.

O. Somantri and S. Wiyono, “Model Data Mining Untuk Klasifikasi Tingkat Penguasaan Materi Bahan Ajar,” in Conference: Seminar Nasional Teknologi Informasi (SNTI), 2017.

A. Ashari, I. Paryudi, and A. Tjoa, “Performance Comparison between Naïve Bayes, Decision Tree and k-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool,” Int. J. Adv. Comput. Sci. Appl., vol. 4, no. 11, pp. 33–39, 2013.




DOI: https://doi.org/10.24176/simet.v9i2.2424

Article Metrics

Abstract views : 214| PDF views : 171

Refbacks

  • Saat ini tidak ada refbacks.


free hit counter View My Stats

Indexed by:

 

Flag Counter

Creative Commons License
Simetris : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer is licensed under a Creative Commons Attribution 4.0 International License.

Dedicated to: