Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa
Sari
Abstrak
Pemberian beasiswa kepada siswa Sekolah Menengah Atas (SMA) sudah umum dilakukan. Hal ini terjadi sejak adanya dana pendidikan 20% dari Kementrian Pendidikan dan Kebudayaan (Kemendikbud). Selain untuk batuan kepada siswa yang kurang mampu, beasiswa juga diberikan kepada siswa yang mempunyai prestasi akademik maupun prestasi non akademik. Pemberian beasiswa yang terjadi selama ini baik di SMA ataupun yang lain masih menggunakan perhitungan dan pengolahan data secara manual. Proses perhitungan secara manual memungkinkan adanya penerima beasiswa yang tidak tepat sasaran. Pengolahan penerimaan beasiswa bisa menggunakan sebuah algoritma data mining untuk mengklasifikasikan calon penerima beasiswa berdasarkan data yang diambil dari data siswa penerima beasiswa sebelumnya (data training) dengan data yang diambil dari calon penerima beasiswa (data testing). Penelitian ini bertujuan membantu proses seleksi beasiswa di SMA menggunakan algoritma K-Nearest Neighbor (KNN) supaya penerima beasiswa tepat sasaran. Algoritma KNN bisa memberikan kebutuhan data yang akurat dan informasi yang diperlukan untuk menyeleksi calon penerima beasiswa. Hasil dari penelitian ini adalah adalah terseleksinya 30 orang dari 89 data yang telah dilakukan klasifikasi. Pengujian sistem menggunakan pengujian akurasi metode confusion matrix dengan hasil pengujian sebesar 90.5%. Hal ini menunjukkan bahwa algoritma KNN bisa digunakan untuk mengklasifikasikan seleksi penerimaan beasiswa.
Kata Kunci: algoritma, beasiswa, data mining, KNN
Abstract
Providing scholarships to high school students (SMA) is common. This happened since there was a 20% education fund from the Ministry of Education and Culture (Kemendikbud). In addition to rocks to underprivileged students, scholarships are also given to students who have academic and non-academic achievements. Scholarships that have occurred so far both in high school and others still use manual calculation and data processing. The manual calculation process allows for scholarship recipients who are not on target. Processing scholarship receipts can use a data mining algorithm to classify prospective scholarship recipients based on data taken from previous scholarship recipient student data (training data) with data taken from prospective scholarship recipients (data testing). This study aims to help the scholarship selection process in high school using the K-Nearest Neighbor (KNN) algorithm so that scholarship recipients are on target. The KNN algorithm can provide accurate data and information needed to select prospective scholarship recipients. The result of this research is the selection of 30 people from 89 data that has been classified. System testing uses the accuracy of confusion matrix testing with 90.5% test results. This shows that the KNN algorithm can be used to classify scholarship acceptance selections.
Keywords: algorithms, data mining, KNN, scholarship
Teks Lengkap:
PDFReferensi
Anshori, L., Regasari, R., & Putri, M. (2018). Implementasi Metode K-Nearest Neighbor untuk Rekomendasi Keminatan Studi ( Studi Kasus : Jurusan Teknik Informatika Univ .... Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(7), 2745–2753.
N. L. G. P. Suwirmayanti. (2017) “Penerapan Metode K-Nearest Neighbor Untuk Sistem Rekomendasi Pemilihan Mobil,” Techno. Com, vol. 16, no. 2, pp. 120–131.
Hutami, R., & Astuti, E. Z. (2016). Implementasi Metode K-Nearest Neighbor Untuk Prediksi Penjualan Furniture Pada CV.Octo Agung Jepara. Universitas Dian Nuswantoro Semarang.
Mustakim, G. O. F. (2016). Algoritma K-Nearest Neighbor Classification Sebagai Sistem Prediksi Predikat Prestasi Mahasiswa, 13(2), 195–202.
Sumarlin, S. (2016). Implementasi Algoritma K-Nearest Neighbor Sebagai Pendukung Keputusan Klasifikasi Penerima Beasiswa PPA dan BBM. Jurnal Sistem Informasi Bisnis, 5(1), 52–62. https://doi.org/10.21456/vol5iss1pp52-62
Suwirmayanti, N. L. G. P. (2017). Penerapan Metode K-Nearest Neighbor Untuk Sistem Rekomendasi Pemilihan Mobil. Techno. Com, 16(2), 120–131.
Tang, Y., Jing, L., Li, H., & Atkinson, P. M. (2016). A multiple-point spatially weighted k-NN method for object-based classification. International Journal of Applied Earth Observation and Geoinformation, 52, 263–274. https://doi.org/10.1016/j.jag.2016.06.017
Tharwat, A., Mahdi, H., Elhoseny, M., & Hassanien, A. E. (2018). Recognizing human activity in mobile crowdsensing environment using optimized k-NN algorithm. Expert Systems with Applications, 107, 32–44. https://doi.org/10.1016/j.eswa.2018.04.017
Y. Yahya and W. Puspita Hidayanti (2020). “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Efektivitas Penjualan Vape (Rokok Elektrik) pada ‘Lombok Vape On,’” Infotek J. Inform. dan Teknol., vol. 3, no. 2, pp. 104–114, 2020, doi: 10.29408/jit.v3i2.2279.
A. Q. Sesilia Novita R, Prihastuti Harsani. (2018) .“Penerapan K-Nearest Neighbor ( KNN ) untuk Klasifikasi Anggrek Berdasarkan Karakter Morfologi Daun dan Bunga,” vol. 15, no. 1, pp. 118–125.
C. A. Rahardja, T. Juardi, and H. Agung. (2019). “Implementasi Algoritma K-Nearest Neighbor Pada Website Rekomendasi Laptop,” J. Buana Inform., vol. 10, no. 1, p. 75, 2019, doi: 10.24002/jbi.v10i1.1847
DOI: https://doi.org/10.31294/ijcit.v6i2.10438
##submission.copyrightStatement##
##submission.license.cc.by-sa4.footer##
P-ISSN: 2527-449X E-ISSN: 2549-7421
Statistik Pengunjung Jurnal IJCIT
