Implementasi K-Nearest Neighbor untuk Klasifikasi Kemampuan Siswa sebagai Dasar Rekomendasi Pembelajaran Personal

Raehan Putra Hendarsyah, Muhammad (2026) Implementasi K-Nearest Neighbor untuk Klasifikasi Kemampuan Siswa sebagai Dasar Rekomendasi Pembelajaran Personal. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (579kB)
	PDF BAB_I.pdf Download (247kB)
	PDF BAB_II.pdf Download (607kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (401kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (249kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (210kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (605kB)
	Archive (ZIP) 00000078572_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Evaluasi performa akademik siswa secara konvensional umumnya berfokus pada nilai kognitif kuantitatif dan kurang mempertimbangkan pengaruh perilaku harian serta parameter psikologis. Kondisi ini dapat membuat institusi pendidikan terlambat mendeteksi kemunduran belajar. Penelitian ini mengimplementasikan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan kemampuan akademik siswa ke dalam tiga kelas (Pintar, Sedang, Lemah) berdasarkan kombinasi fitur kognitif dan non-kognitif, serta mengintegrasikannya dengan mesin aturan berbasis pengetahuan (knowledge-based rule engine) untuk menghasilkan rekomendasi intervensi personal secara proaktif. Eksperimen dilakukan menggunakan dataset sekunder berisi 1.000 sampel dengan 13 fitur prediktor akhir. Untuk menjaga keandalan model, seleksi fitur diterapkan dengan mengeliminasi lima kolom yang berpotensi menyebabkan kebocoran target ke data latih (data leakage). Decision Tree dan Gaussian Naive Bayes digunakan sebagai baseline pembanding. Hasil menunjukkan KNN dengan parameter optimal K = 19 mencapai akurasi pelatihan 80,25% dan akurasi pengujian 77,00%, melampaui Decision Tree (akurasi uji 72,00%) yang mengalami overfitting serta Gaussian Naive Bayes (akurasi uji 74,00%) yang dibatasi asumsi independensi fitur. Uji skenario dunia nyata menunjukkan rekomendasi berbasis nilai ambang rata-rata historis menghasilkan poin penanganan yang relevan dan berorientasi pada siswa (student- centered), sekaligus menyediakan indikasi deteksi dini (early warning sign) bagi siswa kategori menengah dengan penurunan indikator non-kognitif.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Raehan Putra Hendarsyah, Muhammad (00000078572)
Contributors:	Wahjudi, Januar (0330017201)
Keywords:	K-Nearest Neighbor, Klasifikasi, Rekomendasi Pembelajaran, Deteksi Dini. x Implementasi K-Nearest Neighbor..., Muhammad Raehan Putra Hendarsyah, Universitas Multimedia Nusantara
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	21 Jul 2026 08:03
URI:	https://kc.umn.ac.id/id/eprint/47813

Actions (login required)

View Item