Kohesi: Jurnal Sains dan Teknologi

Articles

Vol. 10 No. 4 (2025): Kohesi: Jurnal Multidisiplin Saintek

KLASIFIKASI SISWA BERPRESTASI DI RAUSHAN FIKRI ISLAMIC SCHOOL MENGGUNAKAN METODE K-NEAREST NEIGHBOR

DOI:
https://doi.org/10.5281/zenodo.16924075
Submitted
August 21, 2025
Published
2025-08-21

Abstract

Penilaian prestasi siswa di Raushan Fikri Islamic School seringkali masih bersifat manual dan subjektif, sehingga memerlukan sistem yang lebih objektif dan efisien. Penelitian ini bertujuan untuk merancang sebuah model klasifikasi siswa berprestasi menggunakan metode K-Nearest Neighbor (K-NN) dengan memanfaatkan software RapidMiner. Proses klasifikasi didasarkan pada empat variabel kunci, yaitu nilai akademik, kehadiran, partisipasi ekstrakurikuler, dan kedisiplinan. Metode penelitian ini mencakup beberapa tahapan, mulai dari studi literatur, pengumpulan data siswa, perancangan sistem menggunakan RapidMiner, hingga pengujian dan analisis hasil. Algoritma K-NN diterapkan untuk mengklasifikasikan siswa ke dalam kategori "Berprestasi" atau "Tidak Berprestasi" berdasarkan kedekatan jarak data siswa baru terhadap data latih yang ada. Hasil pengujian model menunjukkan kinerja yang sangat baik dengan tingkat akurasi mencapai 90%. Model ini memiliki recall sebesar 100% untuk kelas "Berprestasi", yang menunjukkan kemampuannya dalam mengidentifikasi seluruh siswa yang berprestasi. Selain itu, precision untuk kelas "Tidak Berprestasi" mencapai 100%, yang berarti setiap siswa yang diprediksi tidak berprestasi adalah benar. Dengan demikian, model klasifikasi ini terbukti efektif dan dapat menjadi alat pendukung keputusan yang akurat bagi pihak sekolah untuk melakukan evaluasi prestasi siswa secara lebih objektif, terukur, dan efisien.

References

  1. [1] Afifudin, M., & Fitria, A. (2022). Analisis Data Mining dalam Dunia Pendidikan: Studi Literatur. Jurnal Teknologi dan Pendidikan, 10(1), 22–30. https://ejournal.iainsalatiga.ac.id/index.php/jtp/article/view/2197
  2. [2] Aprihartha, M. A., Kurniawan, B., & Fadillah, R. (2024). Penyelesaian Masalah Ketidakseimbangan Data Melalui Teknik Oversampling dan Undersampling pada Klasifikasi Siswa Tidak Naik Kelas. Jurnal Teknologi dan Informasi Pendidikan, 12(1), 44–51.
  3. [3] Aulia, D. N., & Rahmawati, T. (2024). Prediksi Prestasi Akademik Siswa Menggunakan Algoritma K-Nearest Neighbor. Jurnal Sistem Informasi dan Komputerisasi Akuntansi, 5(1), 13–19. https://ejournal.upnjatim.ac.id/index.php/jsika/article/view/490
  4. [4] Firdaus, M., & Arini, D. (2022). Penerapan Algoritma K-Nearest Neighbor dalam Sistem Pendukung Keputusan Klasifikasi Prestasi Siswa. Jurnal Teknologi Informasi dan Komunikasi, 9(2), 122–129. https://ejournal.poltekharber.ac.id/index.php/jtik/article/view/231
  5. [5] Lestari, F., & Sudrajat, R. (2023). Implementasi Data Mining dalam Sistem Informasi Akademik Siswa Berbasis K-NN dan Decision Tree. Jurnal Teknologi dan Sistem Informasi, 11(3), 71–79.
  6. [6] Muhaimin, A., Nurhalimah, N., & Supriyadi, H. (2023). Klasifikasi Prestasi Akademik Siswa Berdasarkan Nilai Rapor dan Kedisiplinan dengan Metode K-Nearest Neighbor. Jurnal Informatika dan Komputasi Edukasi, 7(1), 13–20.
  7. [7] Pangestu, D. R., & Widodo, S. A. (2022). Pemanfaatan Data Mining untuk Prediksi Prestasi Belajar Mahasiswa. Jurnal Pendidikan dan Teknologi, 8(1), 56–64.
  8. [8] Saputra, A. Y., & Fahmi, R. M. (2023). Sistem Informasi Penilaian Siswa Berbasis Data Mining di Sekolah Menengah Pertama. Jurnal Pendidikan dan Teknologi, 5(2), 55–62.
  9. [9] Yulianti, T., & Tunggul, R. H. (2022). Penerapan Teknologi Informasi dalam Meningkatkan Efisiensi Administrasi Pendidikan. Jurnal Administrasi Pendidikan, 6(1), 33–40.

Similar Articles

31-40 of 283

You may also start an advanced similarity search for this article.