Kartikasari, Mei Candra (2019) Implementasi metode K-Nearest Neighbor untuk klasifikasi nilai ujian nasional berdasarkan nilai rapor / Mei Candra Kartikasari. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
RINGKASAN Kartikasari Mei Candra. 2019. Implementasi Metode K-Nearest Neighbor untuk Klasifikasi Nilai Ujian Nasional Berdasarkan Nilai Rapor. Skripsi Program studi S1 Teknik Informatika Jurusan Elektro Fakultas Teknik Universitas Negeri Malang Pembimbing (I) Utomo Pujianto S.Kom. M.Kom. (II) Harits Ar Rosyid S.T. MT. Ph.D. Kata Kunci Klasifikasi K-Nearest Neighbor Ujian Nasional. Ujian Nasional (UN) diselenggarakan oleh pemerintah sebagai salah satu cara untuk mengevaluasi meningkat atau menurunnya mutu pendidikan secara nasional. Selain itu UN juga dapat dijadikan acuan untuk memperbaiki sistem pembelajaran oleh guru dan pihak-pihak terkait lainnya sehingga siswa dapat belajar dengan lebih baik. Namun saat ini rata-rata hasil UN mengalami penurunan terutama dari tingkat SMP. Tahun 2016 sampai 2018 hasil UN SMP Negeri mengalami penurunan mencapai rata-rata 52.96. Dari permasalahan tersebut mengetahui kemungkinan hasil nilai UN siswa sangat penting sehingga guru dan pihak terkait lainnya dapat memberikan penanganan yang sesuai terhadap siswa menjelang ujian nasional. Pada penelitian akan diimplementasikan salah satu teknik klasifikasi dalam data mining yaitu algoritma K-Nearest Neighbor (KNN) untuk mengidentifikasi kemungkinan hasil nilai UN. Data untuk penelitian ini diperoleh dari SMP Negeri 4 Malang yaitu nilai rapor semester 1 2 3 4 dan 5 serta nilai UN tahun 2018 mata pelajaran Bahasa Indonesia Bahasa Inggris IPA dan Matematika. Total data yang diperoleh sebanyak 307 instance untuk masing-masing mata pelajaran. Penelitian ini dilakukan melalui lima tahapan. Pertama tahap perolehan data yang telah dijelaskan sebelumnya. Kedua clustering nilai UN menjadi dua kelompok (tinggi dan rendah) menggunakan K-Means untuk medapatkan label kelas. Ketiga preprocessing oversampling untuk menyeimbangkan data dengan teknik SMOTE. Keempat implementasi klasifikasi KNN. Kelima tahap evaluasi. Pada penelitian ini klasifikasi menggunakan KNN dengan oversampling memperoleh hasil yang lebih baik yaitu akurasi pada mata pelajaran Bahasa Inggris sebesar 81.16% Matematika sebesar 76 17% B. Indonesia sebesar 70 54% dan IPA sebesar 66.26%. Selain itu diantara empat mata pelajaran nilai akurasi terbaik ditunjukkan oleh mata pelajaran Bahasa Inggris hal ini menunjukkan bahwa model yang dibangun dengan dataset Bahasa Inggris memiliki tingkat prediksi yang paling akurat / paling benar dibandingkan model yang dibangun dengan dataset mata pelajaran lain.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | ?? ?? |
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | Users 2 not found. |
| Date Deposited: | 22 Aug 2019 04:29 |
| Last Modified: | 09 Sep 2019 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/152163 |
Actions (login required)
 |
View Item |